L'apprendimento automatico nel trading: teoria, modelli, pratica e algo-trading - pagina 3235

[Andrey Dik]

ora i fan di Basic usciranno e inizieranno a sventolare cartelli con scritto "Anche i Basicisti sono importanti!

e gli eRasta stanno già sventolando.....

[Renat Akhtyamov]

È sul sito da secoli, perché ti preoccupi?

L'incontro virtuale della comunità ONNX è iniziato con l'introduzione - Sistemi di trading automatico - MQL5

//Non leggete altro che questo thread? ;)

[Aleksey Vyazmikin]

Aleksey Nikolayev #:
Google onnx.

Grazie.

Ho capito bene che sono supportate alcune funzioni standard, ma non quelle scritte in proprio?

[Aleksey Nikolayev]

Aleksey Vyazmikin #:

Grazie.

Ho capito bene che sono supportate alcune funzioni standard, ma non quelle scritte in proprio?

Google (o CHATGPTit) onnx da zero. Sono un pessimo sostituto dell'IA.

[Aleksey Vyazmikin]

Aleksey Nikolayev #:
Google (o CHATGRTit) onnx da zero. Sono un pessimo sostituto dell'IA.

ChatGPT:

"
ONNX (Open Neural Network Exchange) è un formato di scambio di modelli di apprendimento profondo progettato per memorizzare e trasferire modelli tra diversi framework e strumenti di apprendimento profondo. L'idea principale di ONNX è quella di fornire un formato comune per la rappresentazione dei modelli, indipendentemente dal modo in cui sono stati creati.

ONNX non è stato progettato per memorizzare funzioni o codice personalizzato arbitrario. È stato progettato per rappresentare modelli che possono essere espressi come un grafo computazionale composto da strati e operazioni supportate da operazioni standard di deep learning, come convoluzioni, pooling, attivazioni, ecc.

Se si dispone di una funzione personalizzata che si desidera integrare in un modello di deep learning e memorizzare in formato ONNX, potrebbe essere necessario implementare la funzione utilizzando le operazioni e i livelli supportati da ONNX, oppure riscriverla come un grafo computazionale. Il codice utente o le funzioni scritte in un linguaggio di programmazione devono essere rappresentate come parte di questo grafo utilizzando le operazioni standard.

"

[Aleksey Nikolayev]

Aleksey Vyazmikin #:

ChatGPT:

"
ONNX (Open Neural Network Exchange) è un formato di scambio di modelli di apprendimento profondo progettato per memorizzare e trasferire modelli tra diversi framework e strumenti di apprendimento profondo. L'idea principale di ONNX è quella di fornire un formato comune per rappresentare i modelli, indipendentemente dal modo in cui sono stati creati.

ONNX non è stato progettato per memorizzare funzioni o codice personalizzato arbitrario. È stato progettato per rappresentare modelli che possono essere espressi come un grafo computazionale composto da strati e operazioni supportate da operazioni standard di deep learning, come convoluzioni, pooling, attivazioni, ecc.

Se si dispone di una funzione personalizzata che si desidera integrare in un modello di deep learning e memorizzare in formato ONNX, potrebbe essere necessario implementare la funzione utilizzando le operazioni e i livelli supportati da ONNX, oppure riscriverla come un grafo computazionale. Il codice utente o le funzioni scritte in un linguaggio di programmazione devono essere rappresentate come parte di questo grafo utilizzando le operazioni standard.

"

Per convertire una media mobile esponenziale (EMA) in formato ONNX, è possibile utilizzare l'API ONNX Python

6

. Innanzitutto, è necessario creare un modello ONNX utilizzando l'API ONNX. Quindi, è possibile aggiungere il calcolo dell'EMA al modello. Un modo per calcolare l'EMA in Python è utilizzare la libreria Pandas

1

2.

Una volta implementato il calcolo dell'EMA in Python, è possibile utilizzare l'API ONNX per convertire il codice Python in un modello ONNX. Ecco un esempio di codice Python per il calcolo dell'EMA utilizzando Pandas:

****************************

Questo è l'inizio della risposta di AI alla vostra domanda sull'EMA. Ancora una volta, vi invito a passare dalla produzione di cervelli umani all'IA.

[Aleksey Vyazmikin]

Aleksey Nikolayev #:

Per convertire una media mobile esponenziale (EMA) in formato ONNX, è possibile utilizzare l'API ONNX Python

6

. Innanzitutto, è necessario creare un modello ONNX utilizzando l'API ONNX. Quindi, è possibile aggiungere il calcolo dell'EMA al modello. Un modo per calcolare l'EMA in Python è utilizzare la libreria Pandas

1

2.

Una volta implementato il calcolo dell'EMA in Python, è possibile utilizzare l'API ONNX per convertire il codice Python in un modello ONNX. Ecco un esempio di codice Python per il calcolo dell'EMA utilizzando Pandas:

****************************

Questo è l'inizio della risposta di AI alla vostra domanda sull'EMA. Ancora una volta, vi invito a passare dalla produzione di cervelli umani all'IA.

Non fare il furbo: non mi interessano le funzioni della libreria, ma le mie funzioni. E l'IA mi ha risposto che non è possibile farlo senza un tamburello.

Se non si vuole rispondere, è meglio tacere invece di soffocare nella bile.

Ramo super tossico.

[mytarmailS]

)))

E' bellissimo

[Maxim Dmitrievsky]

Tutto è codificato come grafi con operatori matriciali nei loro nodi. Niente di soprannaturale. Ogni modello ha il suo parser separato in questo formato e viceversa. C'è un programma su github che permette di creare o modificare visivamente questi grafici, basandosi su netron.

[Aleksey Nikolayev]

Aleksey Vyazmikin #:

Non fare il furbo: non mi interessano le funzioni della libreria, ma le mie funzioni. E AI mi ha risposto che è impossibile farlo senza tamburello.

Se non vuoi rispondere, faresti meglio a tacere invece di soffocare nella bile.

Ramo super tossico.

Chi vuole fare qualcosa cerca le opportunità, chi non vuole farlo cerca le ragioni.

Tu stesso stai intossicando il thread, cercando di costringere i suoi partecipanti a "lavorare insieme per il tuo bene" con le tue manipolazioni.