"New Neural", MetaTrader 5 platformu için bir sinir ağı motorunun Açık Kaynak projesidir. - sayfa 35
Ticaret fırsatlarını kaçırıyorsunuz:
- Ücretsiz ticaret uygulamaları
- İşlem kopyalama için 8.000'den fazla sinyal
- Finansal piyasaları keşfetmek için ekonomik haberler
Kayıt
Giriş yap
Gizlilik ve Veri Koruma Politikasını ve MQL5.com Kullanım Şartlarını kabul edersiniz
Hesabınız yoksa, lütfen kaydolun
Teorik olarak, metaquotes logosu ile yankılanması (arkadaş olması) gereklidir.
MetaAlgısal ;) (Algısal Algı)
bu isim altında bir logo için bir fikir bile var :) - çiçek koklayan bir robot - Algılayıcı (algılayan, hassas) kelimesinin belirsizliği üzerine bir oyun. Robot ne kadar sıra dışı olursa o kadar iyi :)
________
basit ve zevkli Nöral. veya Sinirsel :)
________
Sinir Ağları Uzatma (NNX).
________
Sinir Ağları Xpert (NNXpert) :))))
________
Sinir Ağları Araç Takımı (NNToolkit)
________
Sinir Ağları Araçları (NNTools)
Ben Sinir Ağları eXtension (NNX) içindeyim
özellikle bu bölümde Neural Net s eX gerilimi (NNX) için onunla sevişiyoruz
dönüştürmek daha iyi değil Nöral Evrensel Uzatma (NUX) neredeyse LINUX
Soru bana ise, o zaman literatürde tarif ettiğim ağlara hiyerarşik sinir ağları denir.
EMNIP, cognitron benzer bir şeydir.
Devamını sabırsızlıkla bekliyorum :)
Evet, daha sonra ya bir oylama düzenlemek ya da Meta Alıntılara seçenekleri atmak gerekli olacaktır.
Neden acele, ilke olarak, ürün adına diğer nöropaketlerle değişim olasılığını ve son aşamada hazır bir danışmanın oluşturulmasını dikkate almak gerekir.
Ürün NN'den büyüktür. Bu süreçte, yararlı başka bir şey elde edebilir.
Ürün NN'den daha fazladır.
Açık. Ama NN'ye bağlı. Daha çok bağlanacak.
Korkarım "AWVREMGVTW NN " gibi bir şey yürümeyecek :), asıl mesele özü iletmek, nüanslar o kadar önemli değil.
hakkında bilgi gerekiyor
- Eşlenik gradyan inişi
-BFGS
Eşlenik gradyan yöntemi (wiki)
- BFGS (wiki)
Ders 3. HMAX modeli
Görsel bilginin biyolojik dönüşümünün ayrıntılarını daha iyi anlamak için popüler HMAX nesne tanıma modelini ("Hiyerarşik Model ve X") düşünün. Bu model, 90'ların sonlarında Tomaso Poggio liderliğindeki MIT personeli tarafından oluşturuldu. Açıklama ve model kodu burada bulunabilir
http://riesenhuberlab.neuro.georgetown.edu/hmax.html
Birkaç ince ayar ile HMAX, klasik sinir ağlarından çok daha iyi bir yüz tanıma işi yapıyor. Bu resim modeli oldukça iyi anlatıyor:
Modelin ilk katmanı (S1) dört farklı eğime sahip (dikey, yatay, 45 derece eğim ve 135 derece eğim - kırmızı, sarı, yeşil ve mavi olarak gösterilmiştir), her biri 16 boyutta kısa düz çizgi filtrelerinden oluşur, yani giriş görüntüsünün her bölümünün 4 x 16 filtreyle "örtüldüğünü". Her filtre, görüntünün bazı alanlarındaki görüntü piksellerinin toplamı ile bu nöronun giriş ağırlıklarının çarpımına eşit bir çıktıya sahip bir nörondur. Bu girdi ağırlıkları, Gabor işlevi ile tanımlanır. İşte bu filtrelere (ağırlıklara) bir örnek:
Modelin ikinci katmanı (C1) karmaşık nöronlardan oluşur. Her karmaşık nöron, görüntünün farklı alanlarında ve iki komşu boyutta aynı eğimin segmentlerini filtreleyen S1 nöronlarının maksimum aktivasyonunu (çıktısını) seçer. Bu nedenle, bu karmaşık nöron, aşağıda açıklanan temel segmentlerin konumu ve boyutunda değişmezliğe sahiptir:
Modelin üçüncü katmanının (S2) nöronları, C1 nöronlarından girdi alır. Sonuç olarak, temel segmentlerden oluşan daha karmaşık şekillerden (ilk şekil P1, P2, ... ile gösterilen) filtreler elde ederiz. Her şekil için farklı boyutlarda 4 set filtremiz var. Her küme içindeki filtreler, uzamsal konumlarında farklılık gösterir ("görüntünün farklı bölümlerine bakın").
Modelin (C2) dördüncü katmanındaki nöronlar, aynı rakamı filtreleyen ancak farklı boyut ve uzamsal düzenlemeye sahip S2 nöronlarının maksimum aktivasyonunu seçer. Sonuç olarak, konumlarına ve boyutlarına bağlı olmayan daha karmaşık şekillerden oluşan filtreler elde ederiz.
Bağlantılar:
T. Serre "Korteks benzeri mekanizmalarla sağlam nesne tanıma", IEEE Trans. Desen, Ağustos 2006.
http://cbcl.mit.edu/publications/ps/MIT-CSAIL-TR-2006-028.pdf