"新神经 "是MetaTrader 5平台的一个开源神经网络引擎项目。 - 页 74 1...676869707172737475767778798081...100 新评论 yu-sha 2011.11.29 21:07 #731 Urain。 让我们做个实验，创建一个1000个神经元的网格，每个神经元有100个连接，并公布文件大小~6 MBytes网络100x1000x1 - 全网附上））。现在请告诉我，你打算如何训练它？我只知道有一种网络可以有类似的规模，但它们不需要训练和存储。 它们通过训练样本一次性形成并愚蠢地记住它。这样一个网络不可能由所有科幻电影中的所有计算机加在一起用GA来训练：搜索空间的维度为100 000或者说，我相信这样的网络会简单地记住训练样本，而你会得到整个故事的截图，而不是归纳。你必须更谨慎地选择建筑)) 附加的文件： UrainTask.zip 93 kb Mykola Demko 2011.11.29 21:17 #732 yu-sha:~6 MBytes。附上））。现在请告诉我，你打算怎么教它？ 是的，教书只是没有问题，我在上面写到，对于UGA来说，10万个参数是可以接受的任务，我不能说是小事，但却是可行的。但尺寸很正常，你不必再担心了，因为他们说这个问题已经结束了。 yu-sha 2011.11.29 21:23 #733 Urain。训练不是问题，我在上面写到，对于UGA来说，10万个参数是一个相当可以接受的任务，我不能说这很容易，但它是可行的。但尺寸很正常，你不必再担心了，正如他们所说，问题已经解决了。即使你将每个参数的分辨率设置为0.1，完整搜索的所有可能组合的数量为10^100000你对GA有一个非常聪明的想法。 Mykola Demko 2011.11.29 21:36 #734 yu-sha: 即使你把每个参数的离散性设置为0.1，完整搜索的所有可能组合的数量也是10^100000你对GA有一个非常聪明的想法我没有彩虹的想法，我有使用这个算法的实际知识，UGA不是一个需要把搜索空间分成图的二进制算法。UGA在所有的测量中同时进行平行搜索，一步一步地自动减少步骤，这使他有可能在合理的时间内达到稳健的结果，而且更多的是用于训练网格，这是不需要的，进一步会有重新训练。通常在10000-50000FF中，不管参数的数量如何，都能达到这个结果。 Serj 2011.11.29 22:55 #735 yu-sha:~6 MBytes网络100x1000x1 - 全网附上））。现在请告诉我，你打算如何训练它？我只知道一种网络，它可以有类似的大小顺序，但它们不需要训练，也不需要存储。 它们是通过训练样本一次性形成的，并愚蠢地记住它。这样一个网络不可能由所有科幻电影中的所有计算机加在一起用GA来训练：搜索空间的维度为100 000或者说，我相信这样的网络会简单地记住训练样本，而你会得到整个故事的截图，而不是归纳。你必须更谨慎地选择建筑))很明显，没有人需要（是无用的）这样一个网络。这就是为什么我们谈论的是一个自由的架构（可扩展）。为了实验，我将在我的N450的小设备上尝试用GA来教它。教什么，有多少例子，错误，等等？P.S. 在学习的同时，我将研究你的代码。 Mykola Demko 2011.11.29 23:01 #736 她.人。很明显，没有人需要这样的网络（无用）。这就是为什么我们在谈论自由架构（可扩展）。为了实验，我将尝试在我的小铁上用N450进行GA教学。教什么，有多少例子，错误，等等？ 你打算教什么GA？ Andrey Dik 2011.11.29 23:01 #737 Urain。我没有彩虹的想法，但是关于使用这种算法的实际知识，UGA不是一个二进制算法，需要将搜索空间划分为图。UGA同时对所有的测量进行平行搜索，一步一步地自动减少步骤，这使它有机会在合理的时间内达到稳健的结果，而且对于训练网格也没有必要，进一步会有重新训练。 通常在10000-50000FF中，不管参数的数量如何，都能达到这个结果。鸣谢。黑体字强调的是一个有力的结果（不一定是绝对的最大值）。最主要的是，它可以训练巨大尺寸的网格。而是否需要这些巨大的网格则由每个特定的节点决定。:) Mykola Demko 2011.11.29 23:09 #738 joo:鸣谢。黑体字强调的是一个有力的结果（不一定是绝对的最大值）。最主要的是，它可以训练巨大尺寸的网格。而这些巨大的网格是否有必要，则取决于每个节点的良知。:)虽然 FF的运行次数几乎没有增长（为了得到稳健的解决方案），但我们应该补充说，找到结果的时间会增加，因为算法必须运行大很多倍的数组（实际上进行了更多的操作），但首先是线性增长，其次在测试期间，FF的速度，特别是作为FF一部分的NS速度一直是主要的绊脚石，预计在GPU上NS会严重加速，一般来说GA会加速找到解决方案。 Документация по MQL5: Стандартные константы, перечисления и структуры / Константы индикаторов / Стили рисования www.mql5.com Стандартные константы, перечисления и структуры / Константы индикаторов / Стили рисования - Документация по MQL5 Serj 2011.11.29 23:09 #739 Urain。 那你打算教什么GA？关键不在于哪一个。只是想知道，在如此薄弱的硬件条件下，GA是否会拉动它。joo算法的简化版。 Mykola Demko 2011.11.29 23:17 #740 她.人。问题不在于哪一个。只是想知道，在如此薄弱的硬件条件下，GA是否会拉动它。JOO算法的轻量级版本。 我曾经想写一个用GA学习小网格的测试器，就像我上面画的那个，6个权重，3个神经元，XOR问题，但是我没有时间去做:) 1...676869707172737475767778798081...100 新评论 您错过了交易机会： 免费交易应用程序 8,000+信号可供复制 探索金融市场的经济新闻 注册 登录 拉丁字符（不带空格） 密码将被发送至该邮箱 发生错误 使用 Google 登录 您同意网站政策和使用条款 如果您没有帐号，请注册 可以使用cookies登录MQL5.com网站。 请在您的浏览器中启用必要的设置，否则您将无法登录。 忘记您的登录名/密码？ 使用 Google 登录
让我们做个实验，创建一个1000个神经元的网格，每个神经元有100个连接，并公布文件大小
~6 MBytes
网络100x1000x1 - 全网
附上））。
现在请告诉我，你打算如何训练它？
我只知道有一种网络可以有类似的规模，但它们不需要训练和存储。 它们通过训练样本一次性形成并愚蠢地记住它。
这样一个网络不可能由所有科幻电影中的所有计算机加在一起用GA来训练：搜索空间的维度为100 000
或者说，我相信这样的网络会简单地记住训练样本，而你会得到整个故事的截图，而不是归纳。
你必须更谨慎地选择建筑))
~6 MBytes。
附上））。
现在请告诉我，你打算怎么教它？
是的，教书只是没有问题，我在上面写到，对于UGA来说，10万个参数是可以接受的任务，我不能说是小事，但却是可行的。
但尺寸很正常，你不必再担心了，因为他们说这个问题已经结束了。
训练不是问题，我在上面写到，对于UGA来说，10万个参数是一个相当可以接受的任务，我不能说这很容易，但它是可行的。
但尺寸很正常，你不必再担心了，正如他们所说，问题已经解决了。
即使你将每个参数的分辨率设置为0.1，完整搜索的所有可能组合的数量为10^100000
你对GA有一个非常聪明的想法。
即使你把每个参数的离散性设置为0.1，完整搜索的所有可能组合的数量也是10^100000
你对GA有一个非常聪明的想法
我没有彩虹的想法，我有使用这个算法的实际知识，UGA不是一个需要把搜索空间分成图的二进制算法。
UGA在所有的测量中同时进行平行搜索，一步一步地自动减少步骤，这使他有可能在合理的时间内达到稳健的结果，而且更多的是用于训练网格，这是不需要的，进一步会有重新训练。通常在10000-50000FF中，不管参数的数量如何，都能达到这个结果。
~6 MBytes
网络100x1000x1 - 全网
附上））。
现在请告诉我，你打算如何训练它？
我只知道一种网络，它可以有类似的大小顺序，但它们不需要训练，也不需要存储。 它们是通过训练样本一次性形成的，并愚蠢地记住它。
这样一个网络不可能由所有科幻电影中的所有计算机加在一起用GA来训练：搜索空间的维度为100 000
或者说，我相信这样的网络会简单地记住训练样本，而你会得到整个故事的截图，而不是归纳。
你必须更谨慎地选择建筑))
很明显，没有人需要（是无用的）这样一个网络。这就是为什么我们谈论的是一个自由的架构（可扩展）。
为了实验，我将在我的N450的小设备上尝试用GA来教它。教什么，有多少例子，错误，等等？
P.S. 在学习的同时，我将研究你的代码。
很明显，没有人需要这样的网络（无用）。这就是为什么我们在谈论自由架构（可扩展）。
为了实验，我将尝试在我的小铁上用N450进行GA教学。教什么，有多少例子，错误，等等？
我没有彩虹的想法，但是关于使用这种算法的实际知识，UGA不是一个二进制算法，需要将搜索空间划分为图。
UGA同时对所有的测量进行平行搜索，一步一步地自动减少步骤，这使它有机会在合理的时间内达到稳健的结果，而且对于训练网格也没有必要，进一步会有重新训练。 通常在10000-50000FF中，不管参数的数量如何，都能达到这个结果。
鸣谢。黑体字强调的是一个有力的结果（不一定是绝对的最大值）。
最主要的是，它可以训练巨大尺寸的网格。而是否需要这些巨大的网格则由每个特定的节点决定。:)
鸣谢。黑体字强调的是一个有力的结果（不一定是绝对的最大值）。
最主要的是，它可以训练巨大尺寸的网格。而这些巨大的网格是否有必要，则取决于每个节点的良知。:)
虽然 FF的运行次数几乎没有增长（为了得到稳健的解决方案），但我们应该补充说，找到结果的时间会增加，因为算法必须运行大很多倍的数组（实际上进行了更多的操作），但首先是线性增长，其次在测试期间，FF的速度，特别是作为FF一部分的NS速度一直是主要的绊脚石，预计在GPU上NS会严重加速，一般来说GA会加速找到解决方案。
那你打算教什么GA？
关键不在于哪一个。只是想知道，在如此薄弱的硬件条件下，GA是否会拉动它。
joo算法的简化版。
问题不在于哪一个。只是想知道，在如此薄弱的硬件条件下，GA是否会拉动它。
JOO算法的轻量级版本。