Время является неизменной ценностью на протяжении всей истории человечества, и мы стремимся не расходовать его понапрасну. Из этой статьи вы узнаете, как можно ускорить работу вашего эксперта, если у вашего компьютера многоядерный процессор. Причем, реализация описываемого метода не требует знания каких-либо еще языков кроме MQL5.
谢谢 :) 最后一戳。
我宁愿照顾一个实施方案，并努力使其完善。
我可能无法在规模上与遗传学竞争（那些没有明确目标功能的任务类别），但在使用效率和学习方面...
非常正确的决定，当一些项目 出现在这里的时候，你已经做了很多基础工作，如果项目没有出现，你会给出一个结果。
你有一个更好的机会来保持项目的活力。
不要放弃，张贴你的作品，提出问题，也许有人会扣下来。
不要消失，把你的工作，问问题，你会看到还有谁会扣下来。
正在进行的工作。一旦准备好，我将尽快发布。
我有C++实现。我所要做的就是重新安排和升级一些东西。
我希望他们能吐口水，但他们就是不理会我。有人向你征求意见--是或不是。
如果（是），我就去读一些聪明的书。
否则就去读另一本，然后往另一个方向踢。
下午好，其实不是这个问题。 我需要一些建议。
我自己有一个任务。有必要选择一个当前时刻的适应性时间窗口，而不是在参数中设置，例如10条。然后，我们应该深入运行历史，找出所选窗口属于哪个集群。神经网络可以处理吗？还是做其他事情更容易？如果我不介意的话，请给我寄一本关于格子的书，只在香肠层面。
我不知道香肠的水平，正如他们所说的富有。
只是聚类和分类是网络做得最好的任务。
近似值更差，但也还可以，但一般来说，用外推法是很紧的。但这完全取决于实施情况。
我不知道香肠的水平，正如他们所说的。
聚类和分类是网络做得最好的任务。
近似法更糟糕，但也可以，而外推法是个难题。但一切都取决于实施。
...
学习是一个外部过程，是网络本身的外部过程。
...
那么为了完整起见，学习不仅是一个外部过程，而且在本质上也是一个内部过程，因为它往往不仅可以获得权重，还可以获得中间的计算数据，以及拓扑特性。
也正是因为学习过程的这一特性，它常常被归结为网络的内部过程。
他们得出的结论是，网络应该为学习过程透露其内部信息，而对环境完全隐藏。
在这种情况下，合乎逻辑的行动方案是在必要时将网络本身包裹在一个训练外壳中。
因此，我们有一个拥有方法的外部网络 对象。
一个工作流方法接收原样的网，一个训练方法接收被训练外壳包裹的网；封装的逻辑延续是给一个带有选择标志的网 方法，而不是两个工作流和训练方法。
因此，我们有一个外部网络 对象，它有方法。
一个工作流方法得到的是原样的网络，一个训练方法得到的是包裹在训练外壳中的网络，封装的逻辑扩展是给出一个带有选择标志的网络 方法而不是两个工作流和训练方法。
在最一般的情况下，网络必须有一个单一的run()方法
它执行输出神经元的计算，并假设输入已经被初始化了。
教师 "是一个单独的对象，用训练参数初始化，由训练对象控制。
你需要一个验证器来检查你是否可以通过这个方法教这个对象
但所有这些东西都很难在一般情况下被正式化
这就是为什么网络+函数+教师类型的标准刚性设计可以为终端用户开发，只允许设置一些参数，例如，层中的神经元数量
网络必须将其内部信息暴露给学习过程，同时对环境进行隐藏。
我同意。一些（但不是全部）训练方法需要几乎完全进入网络内部
yu-sha:
...
一些（但不是全部）训练方法需要几乎完全接触到网络内部。
这就是问题所在，有些方法要求网络不仅要暴露，而且要为该方法进行适当的结构设计。
换句话说，这个方法本身是为一个特定的网络编写的。在一个通用引擎中实现这些方法有什么意义？
最好是让安德鲁全权负责编码。我看到通用引擎的一个通用训练方法--GA。
在剩下的部分，我们有：对任何拓扑结构的通用引擎的想法，对任何拓扑结构的通用初始化方法的想法，以及作为所有这些的通用训练器的GA。
从正面看，我们很容易实现新类型的神经元，那些标准但尚未描述的或非标准的神经元。
缺点中只有一种训练方法。
如果有人能想出如何将其他训练方法融入其中，那就太好了，但现在是这样的。
在其余部分，我们有：任何拓扑结构的通用引擎的想法，任何拓扑结构的通用初始化方法的想法，以及GA作为所有这些的通用导师。
从正面看，它很容易实现新的神经元类型，那些标准但尚未描述或非标准的神经元。
其缺点是只有一种训练方法。
以同样的方式思考，我也得出了几乎相同的结论））。
而由于GA成为主要的学习算法，因此迫切需要并行计算。
这就是GPU的作用。
以同样的方式思考，我得出了大致相同的结论 ))
而由于GA成为主要的学习算法，因此迫切需要并行计算
这就是GPU发挥作用的地方
如果仔细阅读我前面写的内容，你已经注意到在我的通用网络模型中，处理过程本身被划分为层，因此神经元被组合成层，不是形式上的（通过所有权），而是实际上的（一个层有记忆，而一个神经元没有，一个神经元仍然只是一个信息实体，向一个层提供关于何处和为什么的信息）。所以，并行性是由引擎的结构本身定义的（层内的信息被并行处理）。我已经做过用GA训练的NS，最大的生产力损失正是在NS的计算上（特别是在大型网络上）。作为一个广告，我可以说，对于joo 提议的UGA，学习NS是小菜一碟。
但是，如果有可能将FF的计算也并行化（而GA的NS是FF的一部分），我只支持它。虽然我不认为这将是一个简单的任务，简单的行动是分层进行的，而FF的计算可能涉及相当复杂的序列。