It’s a technique for building a computer program that learns from data. It is based very loosely on how we think the human brain works. First, a collection of software “neurons” are created and connected together, allowing them to send messages to each other. Next, the network is asked to solve a problem, which it attempts to do over and over...
1.そうなんです、すべての選択肢をクリアしなければならないんです。問題は、時間がかかりすぎることです。
2.試してみたら悪化した。
3.彼女が使っているものをどうやって知ることができますか?ブラックボックスだから、全部食べさせるんです。
MTテスターのオプティマイザーのようなハイパーパラメーターオプティマイザーがあります。24時間セットしておくと、それを拾ってくれるんです。
うまくいくのを待つのは退屈ですが、これはNSの特殊性で、厳密な科学はなく、経験(自分と誰かの)と直感だけです。私の結果は、ここでもプライベートでも共有することができます。
先ほどトレーニング用の例を掲載しました。ネットワークにシグナルを買うことを教えるというものです。その後、逆張りをすれば、ネットワークは売りシグナルを出すはずです。信号があるかないかの二値分類である。ネットワークに売買を認識させることもできますが、これはより悪いことだと思います。出力の範囲は0-1に限定され、買いだけを探す場合は2つのクラス(買いがある、買いがない)に分かれ、閾値は0.8ずつ動かせる。 買いか売りかを探す場合は0-1は買い、売り、その中間の3つのセクターに分かれる。買いシグナルだけを探すと、学習例が2倍(フリップインプット)、ネットワークサイズが小さい(タスクが簡単、必要なニューロンが少ない)、学習時間が短い、解が簡単(1クラスだけを考える)ですが、これはあくまで理論上の話です。
ネットワークが自分で機能を探して、価格と希望のシグナルを与えれば、それだけですべてをやってくれるというアイディアがあります。lstmで始めたのですが、完璧なようで今のところそうでもないです。普通のネットも試してみたいし、ダメならこの先どうなるのか考えてみたい。CNNはちょっと面倒くさいですね、レイヤーやコアの構成を調整するのに疲れました。おそらく、ウェーブレットを通常のネットワークに投入する方が簡単なのでしょう。もし、それが私に合わなければ、入力信号の選択にもっと時間を費やさなければなりませんが、この場合、私は疑問を持っています。それは、本当に必要なのでしょうか。「クラシック」システムを使う方が簡単で、より分かりやすく、信頼でき、経済的でテストしやすいでしょう。
また、数字だけを見て、どのように結果を分析するのですか?これはあなたが使っているコードですか?
トレイとテストでエラーという2つのグラフを作ると、ネットワークに何が足りないのか、どういう方向に動けばいいのかがわかる。
私もカウント待ちを躊躇しましたが、これはNSの特殊性で、厳密な科学はなく、経験(他人や自分の)と直感だけです。結果をここで共有することも、プライベートで共有することもできます。
絵の話なのか、もう市場の話なのか。
また、結果をどのように分析しているのか、数字だけを見ているのか?これはあなたが使っているコードですか?
トレイ用とテスト用の2つのチャートを作り、それを使って、ネットワークに何が足りないのか、どの方向に進めばいいのかを理解することができます。
実プロセスにいることが容易にわかる ))
最初は標準的なアルゴリズムで描きましたが
import matplotlib.pyplot as plt
しかし、ノイズが大きいため、10エポック後にはすでに水平線上にプロットされており、意味がありませんでした。
私は2値分類を持っていて、各回答におけるネットの確実性のレベルを分析します。例えば、正しい答えは0 1でネットは0.4 0.6を与える - これは良い答えです。より頻繁に正しい答えは0 1でネットは0.49 0.51を与えます
答えが数千ある場合、確実性によってそれらをグループ化して分析を行うことが可能です。
その結果、実際には、ニューラルネットワークが理解し始めているが、今のところかすんでいる、M2に関する今日のユーロである。
青は上昇、黄は下降の予報です。
本番中であることが一目でわかる ))
最初は標準的なものを使って描いていました。
しかし、ノイズが大きいため、10エポック後のグラフは水平線上にあり、ほとんど意味がない。
私は2値分類を持っていて、各回答におけるネットの確実性のレベルを分析します。例えば、正しい答えは0 1でネットは0.4 0.6を与える - これは良い答えです。より頻繁に正しい答えは0 1でネットは0.49 0.51を与えます
答えが数千ある場合、確実性によってそれらをグループ化して分析を行うことが可能です。
グラフを掲載していただけますか?エポック数が多いほど、またバッテンサイズが小さいほど、重みの変化回数は多くなります。また、オプティマイザーのlerning_rateを+-1桁変えるのも意味がある。オプティマイザーは何を使っていますか?
グラフを掲載していただけますか?エポック数だけでなく、バッチサイズも変更する必要があり、エポック数が多く、バッチサイズが小さいほど、重みを変更する回数が多くなる。また、オプティマイザでlerning_rateを+-1桁変更するのも意味がある。オプティマイザーは何を使っていますか?
Bach 128、同じことを話しているのであれば、です。それは常に128はTPU、そのような要件と関係するものであるべきです。
エポックも変更しなくなった、通常150を過ぎると何も変わらない。
SGDと連動させることができない。
これが私のグリッドで、ここでレイヤーの数を動的に変更します。
これが私のグリッドで、ここでレイヤーの数を動的に変更します。
Dropoutの代わりに他の方法を試すことができる、ニューロンの数を減らす。重みの初期化、正規化を追加。入力されたデータは何らかの処理をされているのでしょうか?入力データを1桁増やすと、結果が良くなりました。 やはり、非定常性を取り除かないとダメなようです。
Dropoutの代わりに他の方法を試してみてはどうでしょうか、ニューロンの数を減らしてください。重みの初期化、正規化を追加。入力されたデータは何らかの処理をされているのでしょうか?入力データに一桁掛けると良い結果が出たので、非定常性を取り除く必要があるようです。
どのパッケージも正確な結果を得ることはできません。どのNSも確率的に上か下か不明な予測しかできない。価格はニューラルネットワークに従わず、簡単に逆行することができる。65%という選択肢は、すでに許容範囲内です。
どのパッケージも正確な結果を得ることはできません。どのNSも確率的に上か下か不明な予測しかできない。価格はニューラルネットワークに従わず、簡単に逆行することができる。65%という選択肢は、すでに許容範囲内です。
こちらは56%。青が本来あるべき姿、赤がネットワークのレスポンスです。パーセンテージに意味はない。
48%で、さらに低い数字ですが、少なくとも何らかの効果はあります。
Dropoutの代わりに他の方法を試してみてはどうでしょうか、ニューロンの数を減らしてください。重みの初期化、正規化を追加。入力されたデータは何らかの処理をされているのでしょうか?入力データに1桁の掛け算をした方が良い結果が出た。 やはり非定常性を取り除く必要があるようだ。
パラメータが結果に与える影響を理解するのに適しているので、 ぜひ試してみてください。