文章 "神经网络轻松制作"
1 - 谢谢您的文章，它让我在最近的空闲时间里非常着迷，一旦我有空闲时间，我就会深入研究这个主题。
2 - 说一句，代码无法编译。很明显，您编写了简化开发的示例，但您没有在实践中检查过生成的示例。我认为错别字中的错误已经表达出来了，至少我注意到了。我还没有读完这篇文章。从编程的角度来看，在创建新神经元和其他东西的方法中，如果索引不超过以前的值，您就不会删除过去的神经元，您就会得到潜在的僵尸对象......
3 - 问题。网格权重的总和显然不应该是 1，对吗？
2 - 实现的网络运行速度会非常慢，因为它是通过对象来实现的......，至少权重应该通过简单的数组来实现。
3 - 网络的权重可以有任何值，不受任何限制，当接近零值时，它们会降低影响....。
你一定是混淆了神经元的单值、最终值，但在 sigmoid 函数之后......在这种情况下，是的，网络中每个神经元的输出都是从 0 到 1，但在文章中，有一个 tankence 作为神经元的激活，其输出是从 -1 到 1。
这篇文章还有一个很大的缺点，就是只字未提数据准备、归一化等问题，而这一点非常重要，因为神经网络无法使用原始数据。
Daniil Kurmyshev:
2 - 实现的网络会运行得很慢，因为它是通过对象实现的......，至少权重应该通过简单的数组来实现。另外，从 OOP 的角度来看，你可以看到网络项目中存在错误，这是在项目本身，因为它产生了这么多对象。
不会有性能损失，我已经测试过了，你也可以看看管理员 Renat 的帖子，他表明 MQL5 中的 OOP 和过程式一样快。
至于这篇文章，它的介绍很好，但这些材料已经在本资源的文章中介绍过很多次了，尽管它可能很有用。
"隐藏层的数量取决于输入数据与预期输出之间的因果关系。例如，如果我们要建立与 "5 个为什么 "技术相关的模型，那么使用 4 个隐藏层是合乎逻辑的，这 4 个隐藏层与输出层的总和将使我们有机会对原始数据提出 5 个问题。
什么是 "5 个为什么"，4 层又有什么关系？查了一下，一个简单的决策树就能回答这个问题。通用近似器是一个 2 层的 NS，可以回答任何数量的 "为什么"：)其他层主要用于复杂设计中的数据预处理。例如，从大量像素中压缩图像，然后进行识别。
"既然神经元的输出是一个逻辑结果，那么向神经网络 提出的问题就应该有一个明确的答案。
如果输出不是一个简单的加法器，答案就会被假定为概率性的。
我不敢看代码，因为互联网上有很多高质量的实现 )).
编译错误。
新文章 神经网络轻松制作已发布：
人工智能往往伴随着极其复杂和难以理解的事物。 同时，人工智能在日常生活中也越来越多地被提及。 不同的媒体也经常发布有关运用神经网络成就的新闻。 本文的目在于展示任何人都可以轻松创建神经网络，并在交易中运用 AI 成就。
人工智能正在我们生活的各个方面提升覆盖面。 许多新刊物涌现，指出“神经网络已被训练为...”。然而，人工智能仍然伴随着奇妙的事物。 这个想法似乎非常复杂，超自然和玄之又玄。 所以，只有一群科学家才能创造出来这种超凡神迹。 利用我们的家用 PC 似乎无法开发类似的程序。 但请相信我，这并不困难。 我们尝试了解神经网络是什么，以及如何在交易中运用它。
1. AI 网络建设原理
维基百科如此定义神经网络：
人工神经网络（ANN）是受到构成动物大脑的生物神经网络的启发建立的计算系统。 ANN 基于称之为人工神经元的单元或节点连接而成的集合，可模拟生物大脑中的神经元耦合模型。
如此，神经网络是由人工神经元组成的实体，其相对关系有组织地编制。 这些关联类似于生物大脑。
下图展示了一个简单的神经网络示意图。 此处，圆圈表示神经元，且神经元之间直观地以线连接。 神经元被划分为三组，每组位于一层中。 蓝色表示神经元输入层，意即源信息输入。 绿色和红色是输出神经元，输出神经网络的运算结果。 它们之间是灰色神经元，形成隐藏层。
作者：Dmitriy Gizlyk