文章 "您应当知道的 MQL5 向导技术（第 29 部分）：继续学习率与 MLP"
亲爱的斯蒂芬，
感谢您分享有关此交易系统的知识和工作！
我饶有兴趣地阅读了您的文章。然而，当我下载您所附的压缩文件时，它只包括：
1. Cmlp_ad.mqh
2.SignalWZ_29.mqh
3. mlp_learn_r.mq5
在mlp_learn_r.mq5 中，它需要以下文件：
1. Expert.mqh
2. TrailingNone.mqh
3.MoneyFixedMargin.mqh
请问如何获得这些文件？
没有这些文件......EA 无法运行。
谢谢！非常感谢！
Caroline Huang #:
亲爱的斯蒂芬，
，感谢您分享有关此交易系统的知识和工作！
，我饶有兴趣地阅读了您的文章。然而，当我下载您所附的压缩文件时，它只包括：
1. Cmlp_ad.mqh
2.SignalWZ_29.mqh
3. mlp_learn_r.mq5
在mlp_learn_r.mq5 中，它需要以下文件：
1. Expert.mqh
2. TrailingNone.mqh
3.MoneyFixedMargin.mqh
请问如何获得这些文件？
没有这些文件......EA 无法运行。
谢谢！非常感谢！
它们已经存在于 MQL include 文件夹中，您应该添加一个页眉。
#include <Expert\Expert.mqh> #include <Expert\Trailing\Expert.mqh> #include <Expert\Money\MoneyFixedMargin.mqh>
新文章 您应当知道的 MQL5 向导技术（第 29 部分）：继续学习率与 MLP已发布：
我们主要验证自适应学习率，圆满考察学习率对智能系统性能的敏感性。这些学习率旨在在训练过程中针对层中的每个参数进行自定义，故我们评估潜在收益相较于预期的性能损失。
我们通过验证自适应学习率和一个轮转学习率，重新审视、并总结不同格式的学习率对智能系统的性能影响。至于本文，该格式将遵循我们在上一篇文章中采用的方式，即在每个学习率格式小节就提供测试报告，而非堆积在文章末尾。
我们跃进之前，我们要提一些其它重要的机器学习设计注意事项，这些可能会极大地影响模型的性能。其中之一是导入数据的批量归一化。我在之前的文章中已触及为什么它如此显要，不过我们的下一篇文章将正视这一点。然而，就目前，在设计网络的模式和格式时，批量归一化要与模型或网络采用的激活算法通盘考虑。迄今为止，我们一直在使用 Softplus 激活，其具有产生无定数结果的倾向，即，不像 TANH 或 Sigmoid 激活，分别产生 -1.0 到 +1.0 和 0.0 到 1.0 范围内的输出，Softplus 激活的生成结果经常无法通过有效测试，且因此致训练和预测过程无效。
作者：Stephen Njuki