文章 "神经网络轻松制作" - 页 4

新评论
 
govich:

如果您想了解 MLP 的结构，最好看看这段代码...

谢谢你的代码，但我还停留在理论层面。代码是下一步。
 
Реter Konow:
感谢。这篇文章和链接帮助我理解了神经网络的目的--在数据集的变异空间内寻找和处理一个不变量，以及最简单的技术实现方法，我还没有完全理解。但是，这些解释非常清晰 。

我更喜欢其中的要点：


 
Denis Kirichenko:

我更喜欢它的要点：

你是说你得提前知道天气预报？

嗯...

 
Denis Kirichenko:

我更喜欢其中的要点：


下一步）

根据数据和处理结果重建程序...

这是当今人类的特权。
 
这篇文章写得很好，是第一篇实现误差反向传播的文章 ....我希望看到不同网络架构的示例
 
Dmitriy Gizlyk:

5 个为什么 "技术建立在连续问题的基础上，每个问题都回答了前一个问题的原因。例如，我们看一张图表和一张价格上涨图表，然后构建问题（抽象地回答问题，以解释该技巧）：
1.在哪里交易 - 买入
2.为什么买入？- 因为它是上升趋势
3.为什么是上升趋势？- MA50 正在上升
4.为什么 MA50 上升？- 移位为 1 的 50 根蜡烛的 平均收盘价 低于最后 50 根蜡烛的平均收盘价。

等等。
由于问题是有顺序的，并且有因果关系，因此我们创建层来观察这种关系。如果我们只使用 2 层，就会失去因果关系，神经网络会分析多个独立选项，并选择最佳选项。

方法 5 与决策树类似，也是逐渐缩小寻找解决方案/原因的范围。但目前还不清楚，在这种结构中，神经网络使用 4 层是如何联系起来的。我知道这种结构很复杂，例如，第二层由第一层的输出信号和不变的输入信号组成，等等。

您能告诉我，您是否参考过其他使用这种基础来选择层数的工作？或者这就是您的诀窍？

s.s. 作品很好，谢谢。

 
Dmitriy Gizlyk:

5 个为什么 "技术建立在连续问题的基础上，每个问题都回答了前一个问题的原因。例如，我们看一张图表和一张价格上涨图表，然后构建问题（抽象地回答问题，以解释该技巧）：
1.在哪里交易 - 买入
2.为什么买入？- 因为它是上升趋势
3.为什么是上升趋势？- MA50 正在上升
4.为什么 MA50 上升？- 移位为 1 的 50 根蜡烛的 平均收盘价 低于最后 50 根蜡烛的平均收盘价。

等等。
因为问题是有顺序的，而且有因果关系，所以我们按照这种关系创建层。如果我们只使用 2 层，就会失去因果关系，神经网络会分析多个独立选项并选择最佳选项。

罕见的异端。你的问题和层数有什么关系？你应该读读神经网络理论。

你建立的四层神经网络学不到任何东西。这就是错误反向传播退化。如果只有两层，一切都很正常，但如果有四层，误差就无法传回所有层。为了解决这个问题，出现了各种架构的深度神经网络。

作为编程练习和编程示例，这可能是有用的。但在实际应用中却毫无益处。个人观点

祝您好运

 
请举例说明...使用方法不是很清楚
 

本网站上有大量关于此类网络（以及许多其他类型网络）的信息，包括文章和代码库中的程序。您只需搜索即可。例如，文章神经网络 食谱》、《神经网络自优化专家顾问》；代码库 -MLP 类（查看同一作者的其他几种网络类型，而非他一个人的）、神经网络预测指标（附理论简述）等。这些信息足以让我们了解其工作原理。但要真正使用，仅有一个资料来源是不够的--您需要阅读大量资料，并考虑到许多细微差别。

 
Stanislav Korotky:

本网站上有大量关于此类网络（以及许多其他类型网络）的信息，包括文章和代码库中的程序。您只需搜索即可。例如，文章神经网络 食谱》、《神经网络自优化专家顾问》；代码库 -MLP 类（查看同一作者的其他几种网络类型，而非他一个人的）、神经网络预测指标（附理论简述）等。这些信息足以让我们了解其工作原理。但要真正使用，仅有一个来源是不够的--您需要阅读大量资料，并考虑到许多细微差别。

你不明白，我对神经网络很熟悉。

我需要一个简单架构的代码示例（例如，输入端有两个神经元，内隐层有 3 个神经元，输出端有一个神经元）及其工作结果（包括利润图、训练时间和在特定硬件上的结果）....

我想简单地了解一下：这个方案是否真的能达到足够的精确度（收益率）和合理的训练时间成本......

我还想补充一点，只开发类和函数，却不举例说明这些类的专家，这不是一篇完整的文章 .....这只是一种理论，在互联网上比比皆是。

123456789
新评论