文章 "神经网络变得简单（第 82 部分）：常微分方程模型（NeuralODE）" 新评论 MetaQuotes 2025.01.06 14:48 新文章 神经网络变得简单（第 82 部分）：常微分方程模型（NeuralODE）已发布： 在本文中，我们将讨论另一种模型类型，它们旨在研究环境状态的动态。 我们来领略一个新的模型家族：常微分方程。它们把隐藏状态的导数利用神经网络参数化，替代了指定隐藏层的离散序列。模型的结果是利用“黑匣子”计算的，即微分方程求解器。这些连续深度模型使用恒定的内存量，并针对每个输入信号适配其估测策略。这种模型最早是在论文《神经常微分方程》中引入的。在该篇论文中，方法的作者演示了使用任意常微分方程（ODE）求解器伸缩反向传播的能力，而无需访问其内部操作。这就能在较大的模型内对 ODE 进行端到端训练。 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 神经网络变得简单（第 82 部分）：常微分方程模型（NeuralODE）已发布：
在本文中，我们将讨论另一种模型类型，它们旨在研究环境状态的动态。
我们来领略一个新的模型家族：常微分方程。它们把隐藏状态的导数利用神经网络参数化，替代了指定隐藏层的离散序列。模型的结果是利用“黑匣子”计算的，即微分方程求解器。这些连续深度模型使用恒定的内存量，并针对每个输入信号适配其估测策略。这种模型最早是在论文《神经常微分方程》中引入的。在该篇论文中，方法的作者演示了使用任意常微分方程（ODE）求解器伸缩反向传播的能力，而无需访问其内部操作。这就能在较大的模型内对 ODE 进行端到端训练。
作者：Dmitriy Gizlyk