神经网络。来自专家的问题。 - 页 19 1...1213141516171819202122232425 新评论 Vitaliy 2011.02.20 12:41 #181 出现了一个 "小 "问题。 如果我们将相同的训练实例（TS）送入同一个网络，但在训练前用随机权重进行初始化。 那么每次网络的训练方式都可能不同，在同一个测试样本上的结果也不同。 使用了FANN库。 决定检查一下统计6在类似情况下会有什么表现？ 而在这里，具有相同架构的网络会产生不同的结果。 为了说明问题，我选择了两个结果最不同的网络。你可以看到，他们的表现正好相反。 激活阈值的图表证实，这两个网络在同一个OP上的训练是完全不同的。 (所有网络的完整结果和所有样本的数据都附在后面) ............................................... 对如何实现神经网络学习过程的稳定性有什么建议吗？ 附加的文件： ibjdcdprxjqlrsbdsqayvdbqlr.zip 4 kb v011f_8c_frm.zip 12 kb [删除] 2011.02.20 13:35 #182 lasso: 一个 "小 "问题出现了..... 网络每次的训练方式不同，对同一测试样本的结果也不同....。 你能告诉我如何实现神经网络训练过程的稳定性吗？ 所以这是一个问题）许多方法被用于训练NS，但所有这些方法都与直接的蛮力不同，这是可以理解的。而所有这些人都有一个共同的基本缺点：瘫痪或卡在一个局部的极端。除了提高学习机制/算法的质量和增加学习时间（学习的历时数）外，没有通用的解决方案。而在每一种情况下，它的解决方式都不同。 Andrey Dik 2011.02.20 14:09 #183 lasso: 你能告诉我如何在神经网络的学习过程中实现稳定性吗？ 使用GAs。 Vladyslav Goshkov 2011.02.20 15:18 #184 lasso: 你能告诉我如何在神经网络的学习过程中实现稳定性吗？ SVM。 两个班的例子。 可能的分界线.... MLP BP将找到其中一个，并停止..... 至于SVM。 这个模型将始终找到一个单一的分割面.... 或如上面建议的GA.... 好运.... Vitaliy 2011.02.20 15:35 #185 Figar0: 所以这是一个问题）许多方法被用于训练NS，但所有这些方法，由于明显的原因，都与直接的蛮力不同。而他们都有一个共同的基本缺点：瘫痪或陷于局部的极端状态。除了提高学习机制/算法的质量和增加学习时间（学习的历时数）外，没有通用的解决方案。而在每一种情况下，它的解决方式都不同。 如果是关于卡在一个局部极值，那么我认为在这种情况下，结果应该都是 "好 "的，而且只在一定范围内有差异--"更好"、"更坏"。 但不能大幅改变测试结果！"。 你明白吗？ 以下是1个月测试期的运行结果。 -9337 +5060 +14522 +7325 +12724 -3475 +10924 -9337 +5060 -3475 -9337 -3475 ................................ 在这里，外国同志们建议应用网络委员会 但我不认为这是最好的解决办法...... 特别是，让我提醒你，问题中提出的OP数据，是很容易用线性方法分离的。 而以NS的形式找到一个简单而稳定的解决方案是否不可能。 Vitaliy 2011.02.20 15:38 #186 我不明白关于GA的问题，它适用于搜索什么？ ............... 也就是说，应用GA不是在NS之外，而是代替它们？ Artem Titarenko 2011.02.20 15:54 #187 lasso: 我不明白关于GA的问题，它适用于搜索什么？ ............... 也就是说，应用GA不是在NS之外，而是代替它们？ GAs可以选取NS的权重，任何东西都可以作为健身函数......。在我的记忆中，你可以寻找EMA GA... 但说实话，我不明白这个GA对你有什么帮助，它也可以停在不同的位置......就像NS一样......。 而在一般情况下，说实话，这是一个正常的现象，只要他们没有太大差异...... Alexey Subbotin 2011.02.20 15:59 #188 lasso: 如果是关于卡在一个局部极值，那么我认为在这种情况下，结果应该都是 "好 "的，而且只在一定范围内有差异--"更好"、"更坏"。 但不能大幅改变测试结果！"。 明白了吗？ 在这里，很可能网络不是训练过度而是训练不足。其原因显然是没有足够好的架构。 虽然可能存在过度训练--如果网络结构过度冗余，并且初始化是随机的，那么网状结构每次都可能卡在不同的极端，因此结果有很大差异 Vitaliy 2011.02.20 16:24 #189 alsu: 在这里，很可能网络不是过度训练而是训练不足。其原因似乎是缺乏高质量的建筑。 虽然可能存在过度训练--如果网络结构过度冗余，并且初始化是随机的，那么网状结构每次都可能卡在不同的极端，因此结果有很大差异 你需要提供什么数据或结果，以便你能具体地确定障碍是什么？ Vitaliy 2011.02.20 16:43 #190 还有一件事。我对当前网络输出范围的 "狭窄性 "感到震惊。要澄清的是。 -- MLP网络是1-7-1 -- 网络输出在[0;1]范围内均匀分布，训练实例中的输出由数值1和-1表示。 如果在训练后，整个输入值的范围 通过网络，我们会发现网络的输出位于一个非常狭窄的范围内。比如说。 opt_max_act=-0.50401336 opt_min_act=-0.50973881 step=0.0000286272901034 或即使如此 opt_max_real=-0.99997914 opt_min_real=-0.99999908 step=0.00000010 ............................. 这到底对不对？ 1...1213141516171819202122232425 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
出现了一个 "小 "问题。
如果我们将相同的训练实例（TS）送入同一个网络，但在训练前用随机权重进行初始化。
那么每次网络的训练方式都可能不同，在同一个测试样本上的结果也不同。
使用了FANN库。
决定检查一下统计6在类似情况下会有什么表现？
而在这里，具有相同架构的网络会产生不同的结果。
为了说明问题，我选择了两个结果最不同的网络。你可以看到，他们的表现正好相反。
激活阈值的图表证实，这两个网络在同一个OP上的训练是完全不同的。
(所有网络的完整结果和所有样本的数据都附在后面)
...............................................
对如何实现神经网络学习过程的稳定性有什么建议吗？
一个 "小 "问题出现了.....
网络每次的训练方式不同，对同一测试样本的结果也不同....。
你能告诉我如何实现神经网络训练过程的稳定性吗？
所以这是一个问题）许多方法被用于训练NS，但所有这些方法都与直接的蛮力不同，这是可以理解的。而所有这些人都有一个共同的基本缺点：瘫痪或卡在一个局部的极端。除了提高学习机制/算法的质量和增加学习时间（学习的历时数）外，没有通用的解决方案。而在每一种情况下，它的解决方式都不同。
你能告诉我如何在神经网络的学习过程中实现稳定性吗？
你能告诉我如何在神经网络的学习过程中实现稳定性吗？
SVM。
两个班的例子。
可能的分界线.... MLP BP将找到其中一个，并停止.....
至于SVM。
这个模型将始终找到一个单一的分割面....
或如上面建议的GA....
好运....
所以这是一个问题）许多方法被用于训练NS，但所有这些方法，由于明显的原因，都与直接的蛮力不同。而他们都有一个共同的基本缺点：瘫痪或陷于局部的极端状态。除了提高学习机制/算法的质量和增加学习时间（学习的历时数）外，没有通用的解决方案。而在每一种情况下，它的解决方式都不同。
如果是关于卡在一个局部极值，那么我认为在这种情况下，结果应该都是 "好 "的，而且只在一定范围内有差异--"更好"、"更坏"。
但不能大幅改变测试结果！"。 你明白吗？
以下是1个月测试期的运行结果。
-9337
+5060
+14522
+7325
+12724
-3475
+10924
-9337
+5060
-3475
-9337
-3475
................................
在这里，外国同志们建议应用网络委员会
但我不认为这是最好的解决办法......
特别是，让我提醒你，问题中提出的OP数据，是很容易用线性方法分离的。
而以NS的形式找到一个简单而稳定的解决方案是否不可能。
我不明白关于GA的问题，它适用于搜索什么？
...............
也就是说，应用GA不是在NS之外，而是代替它们？
我不明白关于GA的问题，它适用于搜索什么？
...............
也就是说，应用GA不是在NS之外，而是代替它们？
GAs可以选取NS的权重，任何东西都可以作为健身函数......。在我的记忆中，你可以寻找EMA GA...
但说实话，我不明白这个GA对你有什么帮助，它也可以停在不同的位置......就像NS一样......。
而在一般情况下，说实话，这是一个正常的现象，只要他们没有太大差异......
如果是关于卡在一个局部极值，那么我认为在这种情况下，结果应该都是 "好 "的，而且只在一定范围内有差异--"更好"、"更坏"。
但不能大幅改变测试结果！"。 明白了吗？
在这里，很可能网络不是训练过度而是训练不足。其原因显然是没有足够好的架构。
虽然可能存在过度训练--如果网络结构过度冗余，并且初始化是随机的，那么网状结构每次都可能卡在不同的极端，因此结果有很大差异
在这里，很可能网络不是过度训练而是训练不足。其原因似乎是缺乏高质量的建筑。
虽然可能存在过度训练--如果网络结构过度冗余，并且初始化是随机的，那么网状结构每次都可能卡在不同的极端，因此结果有很大差异
还有一件事。我对当前网络输出范围的 "狭窄性 "感到震惊。要澄清的是。
-- MLP网络是1-7-1
-- 网络输出在[0;1]范围内均匀分布，训练实例中的输出由数值1和-1表示。
如果在训练后，整个输入值的范围 通过网络，我们会发现网络的输出位于一个非常狭窄的范围内。比如说。
opt_max_act=-0.50401336 opt_min_act=-0.50973881 step=0.0000286272901034
或即使如此
opt_max_real=-0.99997914 opt_min_real=-0.99999908 step=0.00000010
.............................
这到底对不对？