交易中的机器学习：理论、模型、实践和算法交易 - 页 629

新评论
 
尤里-阿索连科。

马克西姆，嗯，不要在MT优化器中训练网络。NS训练器和优化器是完全不同的算法，具有完全不同的优化标准。

如果你仍然使用你之前画的那个NS结构，那么就有点简单了--对市场来说很弱。我已经写过，我只有在达到15-20-15-10-5-1的结构时才获得成功。而这仅仅是针对一种类型的交易。我也完全用海金描述的方法做了一切，也就是说，没有什么新东西，没有什么技巧。

简单的结构 是训练不足的。

你有没有试过不取层数，而是取一个层中的神经元数量？例如，15-200-1或15-200-20-1？

尤里-阿索连科。

事实上，用于培训的数据不是很多，而是很多。在一个小的样本量上，NS不会得到任何有用的东西。

那么你要拿多少数据呢？我带着86000根弦进行训练。

 
elibrarius。

1）你是否尝试过不取层数，而是取一个层中的神经元数？例如，15-200-1或15-200-20-1？

2）那你拿多少数据呢？我当时拿着86000线进行培训。

1.我还没有试过。第一层中的20个已经很足够了。通过增加每层的神经元和层数来实现。

2.我在训练中大约有12000行，在N个epoch之间进行了中间洗牌。在一些历时之后，训练数据被之前没有参与训练的其他数据所取代。

 
阿列克谢-特伦特夫。

我很抱歉对你的侮辱，但你应该重读你的帖子。它看起来相当含糊。
一般来说，你是对的，但只涉及神经网络的第一层。如果反馈到第二层和后续层，或者一般来说到平行网络层，你的声明将变得无效。
在这种情况下，马克西姆 应该考虑深化网络，把反馈带到隐藏层。

那又如何呢。

同样的事情。MLPs在很长一段时间内都是不相关的，深度学习已经有很长一段时间的趋势了。而一个网络是很有能力处理异质数据的，主要是架构。

我同意，但如何将深度与所有这些技巧结合起来:)在优化器中的学习时间会有点长......但质量非常非常高，因为那里和交易一次发生。

我认为超过30个权重对优化器来说不是一个选项。

+ 许多人忘记了有一个云，一般来说，与所有这些东西一起工作是很酷的，但你必须非常善于优化代码。

 
马克西姆-德米特里耶夫斯基。

我同意，但如何将深度与所有这些技巧结合起来:)在优化器中的学习时间会有点长......但质量非常非常高，因为那里和交易一次发生。

我认为超过30个权重对优化器来说不是一个选项。

+ 我认为很多人忘记了有一个云，通过这个云，所有这些东西都可以很有趣地工作，但你必须很好地优化代码。

尝试复制输入层。

 
阿列克谢-特伦特夫。


同样的事情。MLPs已经没有意义了，深度学习已经有很长一段时间的趋势了。而一个网络是很有能力处理异质数据的，重要的是架构。
如果一个MLP能够解决一个任务，那么他们是否是最新的，有什么区别呢？特别是对于MLPs，你不必做太多努力--几乎到处都有它们的东西。
 
阿列克谢-特伦特夫。

尝试复制输入层。

主题，并混合了重量 :)
 
尤里-阿索连科。
如果MLPs能够解决一个问题，那么它们是否相关有什么区别呢？特别是对于MLPs，你不必劳神费力--几乎到处都有它们的东西。

我不是想让你屈服于任何东西。深入学习从MLP开始。
但是，当涉及到网络内的数据表示，它们的移动和转换时，关于激活、循环层、正则化、层的组合等问题就会自然而然地被提出来。现在这才是深刻的学习。

此外，对于深度学习来说，什么都有，到处都有。=)
 
尤里-阿索连科。
如果MLPs能够解决一个问题，那么它们是否相关有什么区别呢？特别是对于MLPs，你不必劳神费力--几乎到处都有它们的东西。
只是在其他条件相同的情况下，深入学习可以快得多......比如说，不是10个小时，而是5分钟 :)
 
阿列克谢-特伦特夫。

好吧，我不倾向于你的任何事情。深度学习仅仅从MLP开始。
但是，当涉及到网络内部的数据表示、它们的移动和转换时，关于激活、循环层、正则化、层组合等问题就自然而然地被提出来了。这是深入的学习。

我明白，但我说的是别的东西。对于双管齐下的问题，你不需要高等数学，只需要算术。算术是否相关是另一回事。

也就是说，你必须首先定义问题，然后选择解决问题的方法。

至于大型和复杂的DM--DL，MLP肯定早就过了阶段。

 
马克西姆-德米特里耶夫斯基。
只是，在其他条件相同的情况下，深层的人还能学得更快......比如说，不是10个小时，而是5分钟 :)
我不能确定，但在我看来，这些都是幻觉。只是从一般考虑。
1...622623624625626627628629630631632633634635636...3399
新评论