Рекуррентные нейронные сети (англ. ; RNN) — вид нейронных сетей, в которых имеется обратная связь. При этом под обратной связью подразумевается связь от логически более удалённого элемента к менее удалённому. Наличие обратных связей позволяет запоминать и воспроизводить целые последовательности реакций на один стимул. С точки зрения...
RNN3에 오류가 있기 때문에 - 데이터는 5 포인트에 대해 요청되고 확률은 4에 대해 계산되며 현재 막대 a0에서 시작하지 않고 기간만큼 이동합니다. a1으로. 현재 순간에 대한 확률이 아니라 a1 지점에 대한 확률을 계산합니다. 그렇기 때문에 결과가 0))에 대해 나쁜 것입니다.
그러한 매트릭스를 사용하여 단 3-5개의 입력으로 수익성 있는 것을 계산하는 것은 나에게 비현실적으로 보입니다. 가능한 모든 변형을 포괄한다는 데 동의합니다.
그러나 예를 들어 5개의 입력이 있는 네트워크를 만들면 계산을 위한 32개의 계수가 됩니다. 유전 알고리즘 은 일반적으로 10,000번의 패스로 수렴합니다. 입력은 평균적으로 -1.0-1로 이동합니다. 3개의 입력으로 패턴을 계산할 수 있고 계산할 수 있지만 3개의 입력으로는 충분하지 않다고 생각합니다.
그리고 R 또는 ALGLIB에서 신경망을 구축하고 빠르게 계산할 수 있습니다. 내부 구조는 그렇게 완전하지 않지만 훈련 중에 가장 강력한 종속성이 있습니다.
저것들. 필요 =RNN(a0,a1,a2,a3);
나는 RNN이 RNN 또는 RNN이 아닌 ReshetovNN(RNN)을 이해하지 못합니다.
이제 한 가지에 대해, 다음으로 다른 것에 대해. 어떤 맥락에서 무엇을 이해하지 못합니다.
나는 RNN이 RNN 또는 RNN이 아닌 ReshetovNN(RNN)을 이해하지 못합니다.
이제 한 가지에 대해, 다음으로 다른 것에 대해. 당신은 어떤 맥락에서 무엇을 이해하지 못합니다.
코드로 판단하면 문자 그대로 메모리가 없습니다. 입력은 이전 막대에 대한 표시기의 데이터입니다(예: 막대 0,1,2,3 또는 0,2,4,8 또는 0,10,20,30). 따라서 메모리는 NS 자체가 아니라 외부 소스에서
그리고 이것은 더 이상 RNN이 아닙니다. RNN은 재귀와 함께 피드백만 있습니다. 누군가의 이름을 바꿔야 합니다.
그리고 엄밀히 말하면 네트워크가 아니라 단일 뉴런입니다.
그리고 이것은 더 이상 RNN이 아닙니다. RNN은 재귀와 함께 피드백만 있습니다. 누군가의 이름을 바꿔야 합니다.
그리고 엄밀히 말하면 네트워크가 아니라 단일 뉴런입니다.
동일한 것을 추가한 다음 이 2의 출력을 3에 공급합니다. 여기 그리드가 있습니다. 첫 번째 뉴런에 100개의 입력이 있고, 두 번째에 100개 입력이 있고, 세 번째에 2가 있는 경우에만 가중치를 최적화하는 것은 비현실적입니다. .
202개 모두에 대한 계산이 없었다면 수행할 입력 데이터, 즉 훈련 명령에서 계산할 ... 즉, 옵티마이저에서 균형으로 최적화를 계산하지 않고, 예를 들어 1000개의 트레이닝 포인트를 거쳐 그로부터 계수를 계산하십시오.
동일한 것을 추가한 다음 이 2의 출력을 3에 공급합니다. 여기 그리드가 있습니다. 첫 번째 뉴런에 100개의 입력이 있고, 두 번째에 100개 입력이 있고, 세 번째에 2가 있는 경우에만 가중치를 최적화하는 것은 비현실적입니다. .
RNN3에 오류가 있기 때문에 -
데이터는 5 포인트에 대해 요청되고 확률은 4에 대해 계산되며 현재 막대 a0에서 시작하지 않고 기간만큼 이동합니다. a1으로. 현재 순간에 대한 확률이 아니라 a1 지점에 대한 확률을 계산합니다. 그렇기 때문에 결과가 0))에 대해 나쁜 것입니다.
// Преобразование показаний технического осциллятора RSI в диапазон от 0 до 1 включительно
double a0 = rsi[0] / 100.0;
double a1 = rsi[p] / 100.0;
double a2 = rsi[2*p] / 100.0;
double a3 = rsi[3*p] / 100.0;
double a4 = rsi[4*p] / 100.0;
// Вычисление вероятности
double results=RNN(a1,a2,a3,a4);
저것들. 필요 =RNN(a0,a1,a2,a3);
글쎄, 5 점을 계산하려면 로그가 필요합니다. 행렬을 25개의 규칙으로 늘립니다. 5 2 . 등. 더 많은 포인트/엔트리가 필요한 경우. 10개의 입력이 있으면 100개의 입력 변수입니다))) MT5가 이를 최적화할 수 있는지 궁금합니다.
네네, 이것도 그의 원본, 나는 거래하지 않았습니다
10개의 인풋에 대해서는 클라우드를 통해서도 세는 것이 문제가 되겠지만, 4차의 인풋에 그런 전문가 시스템 3 개 를 제출하도록 노력하겠습니다) 시가를 장기간 테스트하지 않으면 표준
Reshetov는 흥미로운 솔루션을 제공합니다. 비슷한 일을 하고 있을지도 모릅니다. 상황에서 만 어떤 종류의 RNN이 위험에 처해 있는지 이해하지 못하는 경우가 많습니다.
RNN이 아니라 전문가 시스템이라고 하더군요... RNN이라고 하는 이유는 모르겠습니다. 이름은 MB입니다. :)
네네, 이것도 그의 원본, 나는 거래하지 않았습니다
10개의 인풋에 대해서는 클라우드를 통해서도 세는 것이 문제가 됩니다) 하지만 4번째 인풋에 3개의 전문가 시스템을 제출하도록 노력하겠습니다) 시가 를 장기간 테스트하지 않으면 표준
그리고 약간 겹치는 프레임으로 나누면? 부분적으로 교차하는 Expert Advisors를 2-3개 가져와서 결합해 보겠습니다.
또는 예
그러한 매트릭스를 사용하여 단 3-5개의 입력으로 수익성 있는 것을 계산하는 것은 나에게 비현실적으로 보입니다. 가능한 모든 변형을 포괄한다는 데 동의합니다.
그러나 예를 들어 5개의 입력이 있는 네트워크를 만들면 계산을 위한 32개의 계수가 됩니다. 유전 알고리즘 은 일반적으로 10,000번의 패스로 수렴합니다. 입력은 평균적으로 -1.0-1로 이동합니다.
3개의 입력으로 패턴을 계산할 수 있고 계산할 수 있지만 3개의 입력으로는 충분하지 않다고 생각합니다.
그리고 R 또는 ALGLIB에서 신경망을 구축하고 빠르게 계산할 수 있습니다. 내부 구조는 그렇게 완전하지 않지만 훈련 중에 가장 강력한 종속성이 있습니다.