文章 "交易中的神经网络：免掩码注意力方式预测价格走势"
你好，德米特里、
看来您的压缩文件制作有误。 我本以为您的压缩包里会列出源代码，但压缩包里却只有这些。 看来列出的每个目录都包含您在不同文章中使用过的文件。 您能否提供每个目录的说明，或者最好在每个目录后附上相应的文章编号。
谢谢
科达角
CapeCoddah #:
你好，德米特里、
看来您的压缩文件制作有误。 我本以为您的压缩包里会列出源代码，但压缩包里却只有这些。 看来列出的每个目录都包含您在不同文章中使用过的文件。 您能否提供每个目录的说明，或者最好在每个目录后附上相应的文章编号。
谢谢
科达角
你好，CapeCoddah、
压缩文件包含所有系列的文件。保存在 "MQL5\Experts\NeuroNet_DNG\NeuroNet.cl "中的 OpenCL 程序。您可以在 "MQL5\Experts\NeuroNet_DNG\NeuroNet.mqh "中找到包含所有类的库。本文引用的模型和专家位于目录 "MQL5\Experts\MAFT\" 中。
Regards,
Dmitriy.
新文章 交易中的神经网络：免掩码注意力方式预测价格走势已发布：
SPFormer 算法表示一个完全端到端的管线，允许对象查询直接生成实例预测。使用 变换器 解码器，固定数量的对象查询从所分析点云中聚合全局对象信息。此外，SPFormer 利用对象掩码来引导交叉注意力，要求查询仅关注已掩码特征。然而，在训练的早期阶段，这些掩码的品质很低。这会阻碍后续层的性能，并提升整体训练复杂性。
为了解决这一点，MAFT 方法作者引入了一个辅助性中心回归任务来引导实例分段。最初，从原始点云中选择全局位置 𝒫，并通过主干网络提取全局对象特征 ℱ。这些可以是体素或超点。除了内容查询 𝒬0c 之外，MAFT 的作者还引入了固定数量的位置查询 𝒬0p，表示归一化的物体中心。而 𝒬0p 是随机初始化的，而 𝒬0c 是从零值开始。核心意图是允许位置查询在交叉注意力中引导相应的上下文查询，随后两个查询集进行迭代细化，从而预测物体中心、分类、和掩码。
作者：Dmitriy Gizlyk