Diskussion zum Artikel "MQL5-Assistenten-Techniken, die Sie kennen sollten (Teil 28): GANs überarbeitet mit einer Anleitung zu Lernraten"
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-Assistenten-Techniken, die Sie kennen sollten (Teil 28): GANs überarbeitet mit einer Anleitung zu Lernraten :
Die Lernrate ist eine Schrittgröße in Richtung eines Trainingsziels in den Trainingsprozessen vieler maschineller Lernalgorithmen. Wir untersuchen die Auswirkungen, die die vielen Zeitpläne und Formate auf die Leistung eines Generative Adversarial Network haben können, eine Art neuronales Netz, das wir in einem früheren Artikel untersucht haben.
Das Format dieses Artikels wird sich etwas von dem unterscheiden, was wir von früheren Artikeln gewohnt sind. Bei der Vorstellung jedes Formates für Lernraten werden die Berichte über die Strategietests beigefügt. Dies steht im Gegensatz zu früher, wo die Berichte in der Regel am Ende des Artikels, vor der Schlussfolgerung, erschienen. Es handelt sich also um ein exploratives Format, bei dem das Potenzial von Lernraten für die Leistung von Algorithmen des maschinellen Lernens, genauer gesagt von GANs, offen gehalten wird. Da wir mehrere Arten und Formate von Lernquoten betrachten, ist es wichtig, einheitliche Testmetriken zu haben, und deshalb werden wir ein einziges Symbol, einen einzigen Zeitrahmen und einen einzigen Testzeitraum für alle Lernquotenarten verwenden.
Auf dieser Grundlage wird unser Symbol durchgehend EURJPY sein, der Zeitrahmen wird der tägliche sein und der Testzeitraum wird das Jahr 2023 sein. Wir testen auf einem GAN, und dessen Standardarchitektur ist sicherlich ein Faktor. Es gibt immer das Argument, dass ein ausgeklügelteres Design in Bezug auf die Anzahl und Größe der einzelnen Schichten von größter Bedeutung ist, aber obwohl dies alles wichtige Überlegungen sind, liegt unser Schwerpunkt hier auf der Lernrate. Zu diesem Zweck werden unsere GANs relativ einfach mit nur 3 Schichten, einschließlich einer verborgenen Schicht, aufgebaut. Die Gesamtgröße von jedem ist 5-8-1 vom Eingang bis zum Ausgang. Die Einstellungen dafür sind im beigefügten Code angegeben und können vom Leser leicht geändert werden, wenn er eine andere Einstellung verwenden möchte.
Autor: Stephen Njuki