文章 "神经网络变得轻松（第二十一部分）：变分自动编码器（VAE）"

[MetaQuotes]

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

[jirivokurka]

您好、

当我编译本文末尾附带的 NeuroNet.mqh 文件时，出现了 6 个错误，所有错误都报告说：'pow' - 对重载函数的模糊调用。具体行数为 3848、4468 和 6868。谁能帮帮我？

非常感谢

[Dmitriy Gizlyk]

jirivokurka #:

你好

当我编译本文末尾附带的 NeuroNet.mqh 文件时，出现了 6 个错误，所有错误都报告说：'pow' - 对重载函数的模糊调用。具体行数为 3848、4468 和 6868。谁能帮帮我？

非常感谢

尝试在 t 之前添加浮点数

         lt = (float)(eta * sqrt(1 - pow(b2, (float) t)) / (1 - pow(b1, (float) t)));