在交易中使用神经网络 - 页 39 1...323334353637383940 新评论 Дмитрий 2013.10.21 08:21 #381 可惜没有 "先驱者"。我将继续挖掘... Дмитрий 2013.12.15 10:47 #382 我尝试了哈特利变换，这是傅里叶变换的类似物。任务是使用一个在时间上移到 "过去 "的矩形窗口函数。将产生的向量分解成分量，并将其用于NS输入。作为一种预测--改变光谱成分，然后进行反变换。由此产生的预测光谱的反变换被用于指标中。这里 有更详细的描述。 Alexey Subbotin 2014.01.24 10:15 #383 我读过这样一篇娱乐性的文章。 我对把大脑构造成一个神经网络的原则感兴趣--首先招募大量的各种连接，而不太注意它们的质量，然后根据 "去掉一切不需要实现的结果 "的原则开始进行选择。 这种方法很可能有助于对抗过度训练和所谓的 "结构性失败"。 在这方面，有一个问题：难道没有人遇到过NS理论中类似原理的研究吗？ Vladimir Gomonov 2014.01.24 11:29 #384 alsu: 我读过这样一篇娱乐性的文章。 我对把大脑构造成一个神经网络的原则感兴趣--首先招募大量的各种连接，而不太注意它们的质量，然后根据 "删除一切不需要实现的结果 "的原则开始进行选择。 这种方法很可能有助于对抗过度训练和所谓的 "结构性失败"。 在这方面，有一个问题：难道没有人遇到过NS理论中类似原理的研究吗？ 当在系数中检测到一个小的绝对值时，见过一些 "净瘦 "的东西。 但我在几十次中没有看到这样的事情，作为一个基本原则，"大，大盈余，然后减少"。 你想做一个吗？ 我很感兴趣。 只有计算资源是不够的。 // 我不知道如何适应GPU - 只计算同一类型的方案是有利可图的，而这里每次的网络拓扑结构都是不同的。 Alexey Subbotin 2014.01.24 11:49 #385 MetaDriver: 你想上钩吗？ 我愿意。但现在我在想：我需要仔细思考，以弄清楚使用哪种还原算法。第一个想法是真正通过绝对值 进行瘦身，并使阈值取决于已经呈现的例子的数量：训练样本越大，链接应该越难生存。 Alexey Subbotin 2014.01.24 11:55 #386 MetaDriver: 我不知道如何适应GPU--只计算同一类型的方案是有利的，但这里每次的网络拓扑结构都不同。 单一类型和硬件实现的。一般来说，并行计算的 效率被大大夸大了，事实上（有真实的计算，甚至有关于它的博士论文），一般来说，它们甚至比顺序计算更慢；原因在于数据传输的时间消耗。 Vladimir Gomonov 2014.01.24 12:25 #387 alsu: 同样的类型，而且是硬件实现的类型。并行计算的效率被大大夸大了，实际上（有真实的计算，甚至博士论文也有关于它的辩护）在一般情况下，它甚至比顺序计算更慢；原因是在数据传输上花费的时间。 我不能立即同意。如果你对具体细节有很好的了解，你可以想办法把速度提高几百倍。 一些 的任务。因此，对于密集型计算，尝试将问题减少到那些"一些 " 的类别中总是有意义的。如果成功，收益可能是巨大的。如果没有，那么就没有--在普通处理器上按顺序计算。 -- 例如，具有大量训练实例的同类型（具有相同的拓扑结构）神经网络的遗传优化是非常有益的（执行速度提高数十倍或数百倍）。唯一的问题是，每个拓扑结构都需要一个新的OpenCL程序。这可以通过构建基本的ocl-模板和为给定的拓扑结构自动（编程）生成新的ocl-程序来解决。 顺便说一句，在这里。在写上面的内容时，我想到了一个想法，如何将你的问题减少到对GPU计算有利的类别。要一步一步地做：在每一步里面，我们要在一个OCL程序中读取所有的东西，但要把系数减少到零（本质上是模仿）。而对于一个新的步骤，生成一个新的程序，其中前一个步骤的减少量已经 "闪 "入程序。以此类推。但如果使用遗传 "学习"，情况就会如此。 Alexey Subbotin 2014.01.24 12:46 #388 MetaDriver: 我不能马上同意这一点。如果你对细节有很好的理解，你可能会设法将速度提高数百倍。 一些 的任务。因此，对于复杂的计算，尝试将问题减少到那些"一些 " 类中总是有意义的。如果成功，收益可能是巨大的。如果没有，则没有--在普通处理器上按顺序计算。 在我的印象中，临界值是指主循环中并联任务 与非并联任务（数据准备、数据传输）的执行时间之比，并行度越高，对这个比例的要求就越严格。这就是为什么我们不仅要把算法减少到 "并行文件"，而且要把非并行部分降到最低。 例如，在现在流行的（顺便说一下，在Five中实现的）云计算中，正是由于传输时间的原因，增益限制非常严重。为了公平起见，应该指出，这些限制只有在云计算网络的负载不低于几十个百分点时才会出现。 好吧，但现在不是这个问题了--在这项任务中，确实没有太多并行的方式。 Alexey Subbotin 2014.01.24 12:50 #389 MetaDriver:// 唯一的问题是，每个拓扑结构都需要一个新的OpenCL程序。 这可以通过构建基本的ocl-模板和为给定的拓扑结构自动（编程）生成新的ocl-程序来解决。 将不会有并行性：模板相互依次依赖，所以你必须提前生成所有的模板，但这样就会有数万亿的模板，大部分的时间都会花在寻找当下的正确模板上) Vladimir Gomonov 2014.01.24 12:57 #390 alsu: 不会有并行性：模板之间是相互依赖的，所以我们必须提前生成所有的模板，但这样就会有数万亿的模板，大部分的时间将花在寻找当前需要的模板上) 并非如此。我是为单一类型的神经网络做的。 我甚至可以给你发送一个代码生成器。 问题是不同的：如何将你的任务减少到一个有利可图的等级。 重读我以前的帖子--我在那里加的。 啊，好吧，我将重复这一点。 顺便说一句，在这里。 在写上述内容时，我想到了一个想法，如何将你的问题减少到一类有利的GPU计算中。 要一步一步地做：在每一步里面，我们要在一个OCL程序中读取所有的东西，但要把系数减少到零（本质上是模仿）。 而对于一个新的步骤，生成一个新的程序，其中前一个步骤的减少量已经 "闪 "入程序。 以此类推。 但如果使用遗传 "学习"，情况就会如此。 1...323334353637383940 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
可惜没有 "先驱者"。我将继续挖掘...
我读过这样一篇娱乐性的文章。
我对把大脑构造成一个神经网络的原则感兴趣--首先招募大量的各种连接，而不太注意它们的质量，然后根据 "去掉一切不需要实现的结果 "的原则开始进行选择。
这种方法很可能有助于对抗过度训练和所谓的 "结构性失败"。
在这方面，有一个问题：难道没有人遇到过NS理论中类似原理的研究吗？
我读过这样一篇娱乐性的文章。
我对把大脑构造成一个神经网络的原则感兴趣--首先招募大量的各种连接，而不太注意它们的质量，然后根据 "删除一切不需要实现的结果 "的原则开始进行选择。
这种方法很可能有助于对抗过度训练和所谓的 "结构性失败"。
在这方面，有一个问题：难道没有人遇到过NS理论中类似原理的研究吗？
当在系数中检测到一个小的绝对值时，见过一些 "净瘦 "的东西。
但我在几十次中没有看到这样的事情，作为一个基本原则，"大，大盈余，然后减少"。 你想做一个吗？
我很感兴趣。 只有计算资源是不够的。 // 我不知道如何适应GPU - 只计算同一类型的方案是有利可图的，而这里每次的网络拓扑结构都是不同的。
MetaDriver:
你想上钩吗？
我愿意。但现在我在想：我需要仔细思考，以弄清楚使用哪种还原算法。第一个想法是真正通过绝对值 进行瘦身，并使阈值取决于已经呈现的例子的数量：训练样本越大，链接应该越难生存。
我不知道如何适应GPU--只计算同一类型的方案是有利的，但这里每次的网络拓扑结构都不同。
同样的类型，而且是硬件实现的类型。并行计算的效率被大大夸大了，实际上（有真实的计算，甚至博士论文也有关于它的辩护）在一般情况下，它甚至比顺序计算更慢；原因是在数据传输上花费的时间。
我不能立即同意。如果你对具体细节有很好的了解，你可以想办法把速度提高几百倍。 一些 的任务。因此，对于密集型计算，尝试将问题减少到那些"一些 " 的类别中总是有意义的。如果成功，收益可能是巨大的。如果没有，那么就没有--在普通处理器上按顺序计算。
--
例如，具有大量训练实例的同类型（具有相同的拓扑结构）神经网络的遗传优化是非常有益的（执行速度提高数十倍或数百倍）。唯一的问题是，每个拓扑结构都需要一个新的OpenCL程序。这可以通过构建基本的ocl-模板和为给定的拓扑结构自动（编程）生成新的ocl-程序来解决。
顺便说一句，在这里。在写上面的内容时，我想到了一个想法，如何将你的问题减少到对GPU计算有利的类别。要一步一步地做：在每一步里面，我们要在一个OCL程序中读取所有的东西，但要把系数减少到零（本质上是模仿）。而对于一个新的步骤，生成一个新的程序，其中前一个步骤的减少量已经 "闪 "入程序。以此类推。但如果使用遗传 "学习"，情况就会如此。
我不能马上同意这一点。如果你对细节有很好的理解，你可能会设法将速度提高数百倍。 一些 的任务。因此，对于复杂的计算，尝试将问题减少到那些"一些 " 类中总是有意义的。如果成功，收益可能是巨大的。如果没有，则没有--在普通处理器上按顺序计算。
在我的印象中，临界值是指主循环中并联任务 与非并联任务（数据准备、数据传输）的执行时间之比，并行度越高，对这个比例的要求就越严格。这就是为什么我们不仅要把算法减少到 "并行文件"，而且要把非并行部分降到最低。
例如，在现在流行的（顺便说一下，在Five中实现的）云计算中，正是由于传输时间的原因，增益限制非常严重。为了公平起见，应该指出，这些限制只有在云计算网络的负载不低于几十个百分点时才会出现。
好吧，但现在不是这个问题了--在这项任务中，确实没有太多并行的方式。
将不会有并行性：模板相互依次依赖，所以你必须提前生成所有的模板，但这样就会有数万亿的模板，大部分的时间都会花在寻找当下的正确模板上)
不会有并行性：模板之间是相互依赖的，所以我们必须提前生成所有的模板，但这样就会有数万亿的模板，大部分的时间将花在寻找当前需要的模板上)
啊，好吧，我将重复这一点。
顺便说一句，在这里。 在写上述内容时，我想到了一个想法，如何将你的问题减少到一类有利的GPU计算中。 要一步一步地做：在每一步里面，我们要在一个OCL程序中读取所有的东西，但要把系数减少到零（本质上是模仿）。 而对于一个新的步骤，生成一个新的程序，其中前一个步骤的减少量已经 "闪 "入程序。 以此类推。 但如果使用遗传 "学习"，情况就会如此。