여기 금고 - 신이 저장합니다! 압축 절차는 복잡하지 않고 NN 훈련은 겪지 않습니다. 효과적인 방법입니다.
최적 값의 적용할 수 없는 달성에 관해서는 이것은 우리 VR의 순수한 허세입니다. 정현파를 예측하면 이해합니다! - 예, 최적의 값이 있습니다. 그리고 시장 잡담의 조건에있는 것은 무엇입니까? 이제 최적이 여기에 있고 다음 단계(당신이 예측하는)에서 그것은 거기에 있습니다 ... 그리고 당신은 온 힘을 다해 "여기"를 찾았습니다. 요컨대 정확한 위치 파악에 문제가 없고 매 단계마다 재훈련을 시켜주면 만족스럽게 해결된다.
결국, 전역 최소값 또는 최소한 그 이웃이 발견되지 않으면 각 단계에서 학습이 만족스럽지 않을 수 있다는 반대 진술도 사실입니다. 나는 이 문제를 조금 연구했고, 개인적으로 자기기만과 같은 것을 얻었습니다. 오류가 두 샘플에서 점근적으로 발산하는 것처럼 보이고 다른 시간 간격에서 동일한 구성의 네트워크가 완전히 반대의 매수/매도 신호를 제공했습니다. 매트지만. 우승에 대한 기대는 컸지만 어쨌든 결국 카지노에서 계속 놀고 있다는 결론에 이르렀다. 그리고 이 모든 것은 각각 초기 가중 요인 때문에 이 결론에 도달했습니다. 여기 몇 가지 생각이 있습니다. :)
그건 그렇고, 내 관찰의 결과, 그리드가 빠르게 훈련되는 가장 좋은 가중치 무작위화는 [-0.07; +0.07]. 이유를 모르겠습니다. :)
이것은 학습 시기가 거의 없음을 의미합니다. 한계 내에서 시작하는 곳마다(최소 +/-10) 그리드가 최적으로 롤다운되어야 하며, 중심 입력 데이터의 경우 작은 값 근처에 있습니다. 거기에 인위적으로 심습니다. 이것은 항상 좋은 것은 아닙니다.
결국, 전역 최소값 또는 최소한 그 이웃이 발견되지 않으면 각 단계에서의 학습이 만족스럽지 않을 수 있다는 반대 진술도 사실입니다. 나는 이 문제를 조금 연구했고, 개인적으로 자기기만과 같은 것을 얻었습니다. 오류가 두 샘플에서 점근적으로 발산하는 것처럼 보이고 다른 시간 간격에서 동일한 구성의 네트워크가 완전히 반대의 매수/매도 신호를 제공했습니다. 매트지만. 우승에 대한 기대는 컸지만 어쨌든 결국 카지노에서 계속 놀고 있다는 결론에 이르렀다. 그리고 이 모든 것은 각각 초기 가중 요인 때문에 이 결론에 도달했습니다. 여기 몇 가지 생각이 있습니다. :)
이것은 제대로 훈련되지 않은 메쉬의 증상입니다. 훈련 벡터가 최적 P=w^2/d 보다 짧지 않다고 확신합니까?
이것은 학습 시기가 거의 없음을 의미합니다. 한계 내에서 시작하는 곳마다(최소 +/-10) 그리드가 최적으로 롤다운되어야 하며, 중심 입력 데이터의 경우 작은 값 근처에 있습니다. 거기에 인위적으로 심습니다. 이것은 항상 좋은 것은 아닙니다.
이것은 제대로 훈련되지 않은 메쉬의 증상입니다. 훈련 벡터가 최적의 P=w^2/d보다 짧지 않다고 확신합니까?
솔직히 말해서, 나는 오랫동안 그러한 공식을 보지 않았습니다. 모든 것은 실험의 결과입니다. 적은 수의 뉴런에서 시작하여 두 샘플에서 오류가 점근적으로 분기될 때까지 이 모든 것을 계속합니다. 레이어에서 최적의 가중치 값을 찾은 후 네트워크를 여러 번 재학습하고 동일한 샘플에서 다른 결과가 있지만 각 그리드의 초기 가중치 계수가 다릅니다. 네트워크를 처음부터 다시 교육하고 역사상 동일한 거래를 얻을 수 있는지 확인하십시오. 그럼 말해봐, 난 알고 싶어.
모든 거래는 다르며 시간이 지남에 따라 다르지만 평균 이익은 동일합니다(매우 작음). 나는 평균의 반복성에 관심이 있습니다.
그래서 나는 당신이 카지노에서 놀고 있다고 생각합니다. 위원회를 사용하는 것이 가장 좋은 효과를 줄 수 있으므로 사용하는 것이 좋습니다. 개인적으로 나는 그러한 근무 조건에 만족하지 않습니다. 나는 새로운 데이터에 대해 네트워크를 재훈련할 여유가 없습니다. 이것은 오류를 발생시키며, 재훈련 후에 네트워크가 이 기록에 대해 재검사되는 경우 기록이 이익을 가져오지 않기 때문에 무의미합니다.
여기 금고 - 신이 저장합니다! 압축 절차는 복잡하지 않고 NN 훈련은 겪지 않습니다. 효과적인 방법입니다.
최적 값의 적용할 수 없는 달성에 관해서는 이것은 우리 VR의 순수한 허세입니다. 정현파를 예측하면 이해합니다! - 예, 최적의 값이 있습니다. 그리고 시장 잡담의 조건에있는 것은 무엇입니까? 이제 최적이 여기에 있고 다음 단계(당신이 예측하는)에서 그것은 거기에 있습니다 ... 그리고 당신은 온 힘을 다해 "여기"를 찾았습니다. 요컨대 정확한 위치 파악에 문제가 없고 매 단계마다 재훈련을 시켜주면 만족스럽게 해결된다.
결국, 전역 최소값 또는 최소한 그 이웃이 발견되지 않으면 각 단계에서 학습이 만족스럽지 않을 수 있다는 반대 진술도 사실입니다. 나는 이 문제를 조금 연구했고, 개인적으로 자기기만과 같은 것을 얻었습니다. 오류가 두 샘플에서 점근적으로 발산하는 것처럼 보이고 다른 시간 간격에서 동일한 구성의 네트워크가 완전히 반대의 매수/매도 신호를 제공했습니다. 매트지만. 우승에 대한 기대는 컸지만 어쨌든 결국 카지노에서 계속 놀고 있다는 결론에 이르렀다. 그리고 이 모든 것은 각각 초기 가중 요인 때문에 이 결론에 도달했습니다. 여기 몇 가지 생각이 있습니다. :)
그건 그렇고, 내 관찰의 결과, 그리드가 빠르게 훈련되는 가장 좋은 가중치 무작위화는 [-0.07; +0.07]. 이유를 모르겠습니다. :)
이것은 학습 시기가 거의 없음을 의미합니다. 한계 내에서 시작하는 곳마다(최소 +/-10) 그리드가 최적으로 롤다운되어야 하며, 중심 입력 데이터의 경우 작은 값 근처에 있습니다. 거기에 인위적으로 심습니다. 이것은 항상 좋은 것은 아닙니다.
결국, 전역 최소값 또는 최소한 그 이웃이 발견되지 않으면 각 단계에서의 학습이 만족스럽지 않을 수 있다는 반대 진술도 사실입니다. 나는 이 문제를 조금 연구했고, 개인적으로 자기기만과 같은 것을 얻었습니다. 오류가 두 샘플에서 점근적으로 발산하는 것처럼 보이고 다른 시간 간격에서 동일한 구성의 네트워크가 완전히 반대의 매수/매도 신호를 제공했습니다. 매트지만. 우승에 대한 기대는 컸지만 어쨌든 결국 카지노에서 계속 놀고 있다는 결론에 이르렀다. 그리고 이 모든 것은 각각 초기 가중 요인 때문에 이 결론에 도달했습니다. 여기 몇 가지 생각이 있습니다. :)
이것은 제대로 훈련되지 않은 메쉬의 증상입니다. 훈련 벡터가 최적 P=w^2/d 보다 짧지 않다고 확신합니까?
이것은 학습 시기가 거의 없음을 의미합니다. 한계 내에서 시작하는 곳마다(최소 +/-10) 그리드가 최적으로 롤다운되어야 하며, 중심 입력 데이터의 경우 작은 값 근처에 있습니다. 거기에 인위적으로 심습니다. 이것은 항상 좋은 것은 아닙니다.
네, 최대한 적게 하려고 합니다. 나는 그것이 수십만 에포크 후에 결국 나에게 무언가를 줄 때까지 기다리고 싶지 않습니다. 일반적으로 몇 천 또는 수만이면 충분합니다.
일반적으로 몇 천, 잘, 또는 수만이면 충분합니다.
놀란!
나는 수백 가지가 있습니다.
이것은 학습 시기가 거의 없음을 의미합니다. 한계 내에서 시작하는 곳마다(최소 +/-10) 그리드가 최적으로 롤다운되어야 하며, 중심 입력 데이터의 경우 작은 값 근처에 있습니다. 거기에 인위적으로 심습니다. 이것은 항상 좋은 것은 아닙니다.
이것은 제대로 훈련되지 않은 메쉬의 증상입니다. 훈련 벡터가 최적의 P=w^2/d보다 짧지 않다고 확신합니까?
솔직히 말해서, 나는 오랫동안 그러한 공식을 보지 않았습니다. 모든 것은 실험의 결과입니다. 적은 수의 뉴런에서 시작하여 두 샘플에서 오류가 점근적으로 분기될 때까지 이 모든 것을 계속합니다. 레이어에서 최적의 가중치 값을 찾은 후 네트워크를 여러 번 재학습하고 동일한 샘플에서 다른 결과가 있지만 각 그리드의 초기 가중치 계수가 다릅니다. 네트워크를 처음부터 다시 교육하고 역사상 동일한 거래를 얻을 수 있는지 확인하십시오. 그럼 말해봐, 난 알고 싶어.
놀란!
나는 수백 가지가 있습니다.
글쎄, 그들이 말했듯이 비행은 정상입니다. :)
네트워크를 처음부터 다시 교육하고 역사상 동일한 거래를 얻을 수 있는지 확인하십시오. 그럼 말해봐, 난 알고 싶어.
글쎄, 당연하지!
모든 거래는 다르며 시간이 지남에 따라 다르지만 평균 이익은 동일합니다(매우 작음). 나는 평균의 반복성에 관심이 있습니다. 계산 자원을 절약할 수 있습니다.
글쎄, 당연하지!
모든 거래는 다르며 시간이 지남에 따라 다르지만 평균 이익은 동일합니다(매우 작음). 나는 평균의 반복성에 관심이 있습니다.
그래서 나는 당신이 카지노에서 놀고 있다고 생각합니다. 위원회를 사용하는 것이 가장 좋은 효과를 줄 수 있으므로 사용하는 것이 좋습니다. 개인적으로 나는 그러한 근무 조건에 만족하지 않습니다. 나는 새로운 데이터에 대해 네트워크를 재훈련할 여유가 없습니다. 이것은 오류를 발생시키며, 재훈련 후에 네트워크가 이 기록에 대해 재검사되는 경우 기록이 이익을 가져오지 않기 때문에 무의미합니다.
네, 알 것 같아요. 초기 무작위화를 사용한 그리드의 결과는 분명히 정확하게 반복되어서는 안 됩니다. 결과는 약간의 작은 범위에서 안정적이면 충분합니다.
예를 들어 다음과 같습니다.
경험 1:
경험 2:
두 경우 모두 수행한 초기 초기화를 제외하고 초기 데이터는 동일합니다.
당신 말이 맞아, 동지!