文章 "神经网络变得简单（第 94 部分）：优化输入序列"
'NeuroNet.cl' as 'const string cl_program' NeuroNet.cl 1 1
无法编译。
还有一个问题。我可以试着在不使用旧数据的情况下运行吗？运行的顺序是什么？
在哪里可以找到 #include "legendre.mqh" 文件？
Нейросети — это просто (Часть 89): Трансформер частотного разложения сигнала (FEDformer)
- www.mql5.com
Все рассмотренные нами ранее модели анализируют состояние окружающей среды в виде временной последовательности. Однако, тот же временной ряд можно представить и в виде частотных характеристик. В данной статье я предлагаю вам познакомиться с алгоритмом, который использует частотные характеристики временной последовательности для прогнозирования будущих состояний.
新文章 神经网络变得简单（第 94 部分）：优化输入序列已发布：
在处理时间序列时，我们始终按其历史序列使用源数据。但这是最好的选项吗？有一种观点认为，改变输入数据顺序将提高训练模型的效率。在本文中，我邀请您领略其中一种优化输入序列的方法。
当用在变换器架构模型中，长期依赖关系的有效性检测在高度取决于许多因素。这些包括序列长度、各种定位编码策略、和数据令牌化。
这些想法导致论文《分段、乱序、和拼接：一种改进时间序列表示的简单机制》的作者提出寻找历史序列最优用法的思路。是否更好的组织时间序列，以便手头任务能实现更有效的表示学习？
在本文中，作者提出了一种简单、且即用型的机制，称为分段、乱序、拼接（S3），设计用来学习如何优化时间序列的表示。顾名思义，S3 的工作原理是将时间序列分割为多个不重叠的分段，将这些分段随机排序为更优化的顺序，然后将乱序后的分段再组合成新序列。此处应注意的是，针对每个特定任务都要学习分段洗牌顺序。
作者：Dmitriy Gizlyk