文章 "神经网络变得轻松(第二十一部分):变分自动编码器(VAE)" 新评论 MetaQuotes 2022.10.24 09:56 新文章 神经网络变得轻松(第二十一部分):变分自动编码器(VAE)已发布: 在上一篇文章中,我们已熟悉了自动编码器算法。 像其它任何算法一样,它也有其优点和缺点。 在其原始实现中,自动编码器会尽可能多地将对象与训练样本分开。 这次我们将讨论如何应对它的一些缺点。 为了测试变分自动编码器的操作,我们将取用之前文章中的模型。 将其保存为新文件“ "vae.mq5"。 在该模型中,编码器在第 5 个神经层上返回 2 个值。 为了正确规划变分自动编码器的操作,我将编码器输出端的层大小增加到 4 个神经元。 我还插入了新神经层,将变分自动编码器的潜伏状态作为第 6 个神经元。 该模型基于 EURUSD 数据,和 H1 时间帧进行了训练,未更改参数。 模型训练的时间区间取过去 15 年。 多层和变分自动编码器的学习动态的比较图如下图所示。 如您所见,根据模型训练的结果,变分自动编码器在整个训练期间显示的数据恢复误差显著降低。 此外,变分自动编码器展示出更高的误差降低态势。 基于测试结果,我们可以得出结论,以 EURUSD 价格动态为例,解决提取时间序列特征的问题,变分自动编码器在提取单个形态描述特征方面具有巨大的潜力。 作者:Dmitriy Gizlyk 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
新文章 神经网络变得轻松(第二十一部分):变分自动编码器(VAE)已发布:
在上一篇文章中,我们已熟悉了自动编码器算法。 像其它任何算法一样,它也有其优点和缺点。 在其原始实现中,自动编码器会尽可能多地将对象与训练样本分开。 这次我们将讨论如何应对它的一些缺点。
为了测试变分自动编码器的操作,我们将取用之前文章中的模型。 将其保存为新文件“ "vae.mq5"。 在该模型中,编码器在第 5 个神经层上返回 2 个值。 为了正确规划变分自动编码器的操作,我将编码器输出端的层大小增加到 4 个神经元。 我还插入了新神经层,将变分自动编码器的潜伏状态作为第 6 个神经元。 该模型基于 EURUSD 数据,和 H1 时间帧进行了训练,未更改参数。 模型训练的时间区间取过去 15 年。 多层和变分自动编码器的学习动态的比较图如下图所示。
如您所见,根据模型训练的结果,变分自动编码器在整个训练期间显示的数据恢复误差显著降低。 此外,变分自动编码器展示出更高的误差降低态势。
基于测试结果,我们可以得出结论,以 EURUSD 价格动态为例,解决提取时间序列特征的问题,变分自动编码器在提取单个形态描述特征方面具有巨大的潜力。
作者:Dmitriy Gizlyk