Diskussion zum Artikel "MQL5-Assistent-Techniken, die Sie kennen sollten (Teil 22): Conditional GANs"
Sie verpassen Handelsmöglichkeiten:
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Registrierung
Einloggen
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Wenn Sie kein Benutzerkonto haben, registrieren Sie sich
Neuer Artikel MQL5-Assistent-Techniken, die Sie kennen sollten (Teil 22): Conditional GANs :
Generative Adversarial Networks (GAN) sind eine Kombination von neuronalen Netzen, die sich gegenseitig trainieren, um genauere Ergebnisse zu erzielen. Wir nehmen den bedingten Typ dieser Netze an, da wir eine mögliche Anwendung bei der Vorhersage von Finanzzeitreihen innerhalb einer Klasse von Expertensignalen anstreben.
Conditional Generative Adversariale Netze (cGAN) sind eine Art von GAN, die eine Anpassung an die Art der Eingabedaten in ihrem generativen Netzwerk ermöglichen. Wie aus dem gemeinsamen Link und der Lektüre des Themas hervorgeht, handelt es sich bei GANs um ein Paar neuronaler Netze: einen Generator und einen Diskriminator. Beide werden trainiert oder trainieren sich gegenseitig, wobei der Generator die Erzeugung einer Zielausgabe verbessert, während der Diskriminator auf die Identifizierung von Daten (auch bekannt als die gefälschten Daten) vom Generator trainiert wird.
Die Anwendung ist typischerweise in der Bildanalyse, wo ein Generator-Netzwerk verwendet wird, um Bilder zu erzeugen, und das Diskriminator-Netzwerk identifiziert, ob das Bild, das es als Eingabe erhält, entweder vom Generator-Netzwerk erfunden wurde oder real ist. Das gegenseitige Training erfolgt, indem die Bilder des Diskriminator-Generators abwechselnd mit realen Bildern gefüttert werden und, wie in jedem Netzwerk, würde Backpropagation die Gewichte des Diskriminators entsprechend anpassen. Der Generator hingegen wird bei nicht bedingten oder typischen Einstellungen mit zufälligen Eingangsdaten gefüttert und soll unabhängig davon möglichst realistische Bilder erzeugen.
Bei einem Conditional GAN (cGAN) nehmen wir eine kleine Änderung vor, indem wir das generative Netz mit einer bestimmten Art von Daten als Eingabe füttern und nicht mit Zufallsdaten. Dies ist anwendbar oder nützlich in Situationen, in denen die Art der Daten, die wir dem Diskriminator zuführen, gepaart ist oder aus zwei Teilen besteht und das Ziel des Diskriminator-Netzwerks darin besteht, zu erkennen, ob die eingegebenen gepaarten Daten gültig oder erfunden sind.
Autor: Stephen Njuki