文章 "神经网络变得轻松（第四十部分）：在大数据上运用 Go-Explore"
在我将 Unsupervised 从另一个 EA 移到文件夹中之前，Faza2 无法编译。也许这就是为什么在 0.18 左右仍然会出现错误的原因？
大家下午好。有人成功训练过这个神经网络吗？如果有，您是如何做到的？
我收集了与文章作者相同时期（4 个月）的第一阶段数据。我得到了一个大约 1.2 GB 的 bd 文件（190 000 个特征）。然后我开始训练第二阶段。第 2 阶段的默认迭代次数为 100,000 次。我多次尝试运行第 2 阶段。我还尝试设置 1,000,000 和 10,000,000 次迭代。在所有这些尝试中，第 2 阶段显示的误差波动在 1.6 ...1.8 并且没有下降。或者增长到 0.3（使用其他 bd 文件）。运行第 3 阶段（在测试器中）时，它不会混淆交易。它只是愚蠢地打开一个交易并保持到测试时间结束。我尝试在测试器中以优化模式 运行第 3 阶段。我尝试了 200、500、1000 次。但没有任何影响。唯一的问题是，Expert Advisor 会提前或延后打开交易，并保持到测试结束。但它本身并不关闭交易，而是测试者关闭交易，因为时间到了。我还尝试将 NeuroNet.mqh 文件中的 #define lr 3.0e-4f 参数更改为 1.0e-4f 或 2.0 e-4f，但也不起作用。我到底做错了什么？
有人能解释一下你是如何训练的吗？如果可以，请详细说明。
第 3 阶段的误差是多少？
第 2 阶段迭代了多少次？
如果第 2 阶段的误差没有减少，该怎么办？
迭代到多少次时，你开始改变什么？具体改什么？
在第 3 阶段，EA 只打开交易而不尝试交易，这正常吗？在优化模式下用第 3 阶段进行训练有意义吗？
维克多，我遇到了和你一样的情况。你能在不移动 Unsupervised 文件夹的情况下运行第 2 阶段吗？
该 EA 的编译没有任何问题。一切编译正常。我只是将所有文章的存档一排排地转储到上面（用新文件替换旧文件）。
新文章 神经网络变得轻松（第四十部分）：在大数据上运用 Go-Explore已发布：
本文讨论 Go-Explore 算法覆盖长周期训练的运用，因为随着训练时间的增加，随机动作选择策略也许不会导致可盈利验算。
Go-Explore 算法随着训练周期的增加，浮现出一定的困难。 其中一些包括：
维度诅咒：随着训练周期的增加，代理者可以访问的状态数量呈指数级增长，这令查找最优策略变得更加困难。
环境变化：随着训练周期的增加，环境也许会发生变化，而这也许会影响代理者的学习成果。 这会导致以前成功的策略变得无效，甚至不可能。
选择动作困难：随着训练周期的增加，代理者也许需要考虑任务的更广泛背景，以便做出明智的决定。 这会令选择最佳行的任务复杂化，并且需要更复杂的方法来优化算法。
训练时间增加：随着训练周期的增加，收集足够数据和训练模型所需时间也会增加。 这会降低代理者训练的效率和速度。
随着训练周期的增加，需要探索的状态空间维度也许会出现增加的问题。 这也许会导致 “维度诅咒” 问题，其中可能状态的数量随着维度的增加呈指数增长。 这令状态空间探索变得困难，并可能导致算法花费太多时间探索不相关的状态。
为了检查训练模型的品质和成效，我们依据训练和测试样本对其进行了测试。 重点注意的是，我们的模型能够自 2023 年 5 月第一周的历史数据中获利，这些数据不包括在训练集之中，而是训练集的直接延续。
作者：Dmitriy Gizlyk