DocumentazioneSezioni
MQL5 RiferimentoMetodi Matriciali e VettorialiMachine learningActivation 

Activation

Calcola i valori della funzione di attivazione e li scrive nel vettore/matrice passati.

bool vector::Activation(
  vector&                   vect_out,      // vettore per ottenere i valori
  ENUM_ACTIVATION_FUNCTION  activation,    // funzione di attivazione
   ...                                     // parametri addizionali
   );
 
 
bool matrix::Activation(
  matrix&                   matrix_out,    // matrice per ottenere i valori
  ENUM_ACTIVATION_FUNCTION  activation     // funzione di attivazione
   );
 
 
bool matrix::Activation(
  matrix&                   matrix_out,    // matrice per ottenere i valori
  ENUM_ACTIVATION_FUNCTION  activation,    // funzione di attivazione
  ENUM_MATRIX_AXIS          axis,          // asse
   ...                                     // parametri addizionali
   );

Parametri

vect_out/matrix_out

[out] Vettore o matrice per ottenere i valori calcolati della funzione di attivazione.

activation

[in] Funzione di attivazione dall'enumerazione ENUM_ACTIVATION_FUNCTION.

axis

[in] Valore dall'enumerazione ENUM_MATRIX_AXIS (AXIS_HORZ — asse orizzontale, AXIS_VERT — asse verticale).

...

[in] Parametri aggiuntivi richiesti per alcune funzioni di attivazione. Se non vengono specificati parametri, vengono utilizzati i valori predefiniti.

Valore Restituito

Restituisce true in caso di successo, altrimenti - false.

Parametri Addizionali

Alcune funzioni di attivazione accettano parametri addizionali. Se non vengono specificati parametri, vengono utilizzati i valori predefiniti

   AF_ELU  (Exponential Linear Unit)  
     double alpha=1.0
   
   Activation function: if(x>=0) f(x) = x
                      else f(x) = alpha * (exp(x)-1)
   
   
   AF_LINEAR   
     double alpha=1.0
     double beta=0.0
   
   Activation function: f(x) = alpha*x + beta
   
   
   AF_LRELU   (Leaky REctified Linear Unit)   
     double alpha=0.3
   
   Activation function: if(x>=0) f(x)=x
                      else f(x) = alpha*x
   
                        
   AF_RELU  (REctified Linear Unit)   
     double alpha=0.0
     double max_value=0.0
     double treshold=0.0
   
   Activation function: if(alpha==0) f(x) = max(x,0)
                      else if(x>max_value) f(x) = x
                      else f(x) = alpha*(x - treshold)
   
   
   AF_SWISH   
     double beta=1.0
   
   Activation function: f(x) = x / (1+exp(-x*beta))
   
   
   AF_TRELU   (Thresholded REctified Linear Unit)   
     double theta=1.0
   
   Activation function: if(x>theta) f(x) = x
                      else f(x) = 0
   
   
   AF_PRELU   (Parametric REctified Linear Unit)   
     double alpha[] - learned array of coeefficients
   
   Activation function: if(x[i]>=0) f(x)[i] = x[i]
                      else f(x)[i] = alpha[i] * x[i]

Nota

Nelle reti neurali artificiali, la funzione di attivazione di un neurone determina il segnale in uscita, che è definito da un segnale in ingresso o da un insieme di segnali in ingresso. La selezione della funzione di attivazione ha un grande impatto sulle prestazioni della rete neurale. Diverse parti del modello (strati) possono utilizzare funzioni di attivazione differenti.

Esempi di utilizzo di parametri addizionali:

   vector x={0.1, 0.4, 0.9, 2.0, -5.0, 0.0, -0.1};
   vector y;
 
   x.Activation(y,AF_ELU);
   Print(y);
   x.Activation(y,AF_ELU,2.0);
   Print(y);
 
   Print("");
   x.Activation(y,AF_LINEAR);
   Print(y);
   x.Activation(y,AF_LINEAR,2.0);
   Print(y);
   x.Activation(y,AF_LINEAR,2.0,5.0);
   Print(y);
 
   Print("");
   x.Activation(y,AF_LRELU);
   Print(y);
   x.Activation(y,AF_LRELU,1.0);
   Print(y);
   x.Activation(y,AF_LRELU,0.1);
   Print(y);
  
   Print("");
   x.Activation(y,AF_RELU);
   Print(y);
   x.Activation(y,AF_RELU,2.0,0.5);
   Print(y);
   x.Activation(y,AF_RELU,2.0,0.5,1.0);
   Print(y);
 
   Print("");
   x.Activation(y,AF_SWISH);
   Print(y);
   x.Activation(y,AF_SWISH,2.0);
   Print(y);
 
   Print("");
   x.Activation(y,AF_TRELU);
   Print(y);
   x.Activation(y,AF_TRELU,0.3);
   Print(y);
 
   Print("");
   vector a=vector::Full(x.Size(),2.0);
   x.Activation(y,AF_PRELU,a);
   Print(y);
 
/*  Risultato
   [0.1,0.4,0.9,2,-0.993262053000915,0,-0.095162581964040]
   [0.1,0.4,0.9,2,-1.986524106001829,0,-0.190325163928081]
   
   [0.1,0.4,0.9,2,-5,0,-0.1]
   [0.2,0.8,1.8,4,-10,0,-0.2]
   [5.2,5.8,6.8,9,-5,5,4.8]
   
   [0.1,0.4,0.9,2,-1.5,0,-0.03]
   [0.1,0.4,0.9,2,-5,0,-0.1]
   [0.1,0.4,0.9,2,-0.5,0,-0.01]
   
   [0.1,0.4,0.9,2,0,0,0]
   [0.2,0.8,0.9,2,-10,0,-0.2]
   [-1.8,-1.2,0.9,2,-12,-2,-2.2]
   
   [0.052497918747894,0.239475064044981,0.6398545523625035,1.761594155955765,-0.03346425462142428,0,-0.047502081252106]
   [0.054983399731247,0.275989792451045,0.7723340415895611,1.964027580075817,-0.00022698934351217,0,-0.045016600268752]
   
   [0,0,0,2,0,0,0]
   [0,0.4,0.9,2,0,0,0]
   
   [0.1,0.4,0.9,2,-10,0,-0.2]
*/