文章 "数据科学与机器学习 — 神经网络（第 02 部分）：前馈神经网络架构设计"
在我看来，本周期的材料比 "神经网络--很简单 "周期的材料要好得多......
请教管理员一个问题。是否可以在代码中插入付费书目的链接？
//+------------------------------------------------------------------+ //|NeuralNets.mqh //|版权所有 2022 年，Omega Joctan。| //|https://www.mql5.com/en/users/omegajoctan| //+------------------------------------------------------------------+ #property copyright "Copyright 2022, Omega Joctan." #property link "https://www.mql5.com/en/users/omegajoctan" //+------------------------------------------------------------------+ #import "The_Matrix.ex5" //sourcecode here >>https://www.mql5.com/en/market/product/81533 void MatrixMultiply(double &A[],double &B[],double &AxBMatrix[], int colsA,int rowsB,int &new_rows,int &new_cols); void CSVToMatrix(double &Matrix[],int &mat_rows,int &mat_cols,string csv_file,string sep=","); void MatrixPrint(double &Matrix[],int cols,int digits=5); #import bool m_debug = true;
文章中就有这样的内容：
Ok so here is the function responsible for training the neural network.
void CNeuralNets::train_feedforwardMLP(double &XMatrix[],int epochs=1)
我特意用作者写这篇文章 的语言摘录了一段。
我不好意思问，学习 在哪里进行？我认为是直接传播....。
真有意思：
CNeuralNets::CNeuralNets(fx HActivationFx, fx OActivationFx, int inputs, int &NodesHL[], int outputs=NULL, bool SoftMax=false) { e = 2.718281828; ... }
)))
CNeuralNets::CNeuralNets(fx HActivationFx, fx OActivationFx, int inputs, int &NodesHL[], int outputs=NULL, bool SoftMax=false) { e = M_E; ... }
当我看到文章中有这样一个章节时：
Матрицы в помощь
如果突然需要更改静态代码模型的参数，优化工作可能会耗费大量时间--令人头痛、背痛和其他麻烦。
我以为终于会有人用本地矩阵 来描述 MO 了。但以XMatrix[] 这样的一维数组形式自制矩阵所带来的头痛 只会 增加....。
Документация по MQL5: Основы языка / Типы данных / Матрицы и векторы
- www.mql5.com
Матрицы и векторы - Типы данных - Основы языка - Справочник MQL5 - Справочник по языку алгоритмического/автоматического трейдинга для MetaTrader 5
这是什么意思？
int hlnodes[3] = {4,6,1};
4 个输入，1 个有 6 个神经元的隐藏层和 1 个输出？
你没有很好地解释最重要的事情。 如何声明模型的架构。
我可以使用多少个隐藏层？
如何定义每个隐藏层有多少个神经元？
举例说明：我想要一个有 8 个输入的网络。
3 个隐藏层，分别有 16、8、4 个神经元。
和 2 个输出。
可以吗？
新文章 数据科学与机器学习 — 神经网络（第 02 部分）：前馈神经网络架构设计已发布：
在我们透彻之前，还有一些涵盖前馈神经网络的次要事情，设计就是其中之一。 针对我们的输入，看看我们如何构建和设计一个灵活的神经网络、隐藏层的数量、以及每个网络的节点。
我们都知道，当涉及到优化新参数时，硬编码模型会落入钝化，整个过程很耗时，会导致头痛、背部疼痛、等等，（太不值了）。
如果我们抵近观察神经网络背后的操作，您会注意到每个输入都被乘以分配给它的权重，然后它们的输出被添加到乖离之中。 矩阵运算可以很好地处理这一点。
作者：Omega J Msigwa