"新神经 "是MetaTrader 5平台的一个开源神经网络引擎项目。 - 页 79 1...727374757677787980818283848586...100 新评论 Mykola Demko 2012.08.02 21:17 #781 TheXpert: 那么为什么你让掩码连接到输出端而不是再次连接到神经元呢？）那你想怎么把激活函数塞进GPU呢？我认为，就像上次一样，你要把你不能填的东西填进去。但这是imho，所以你可以安全地躺在上面。我不会再打扰你了，除非是公事。啊，cogitron。还有什么--hopfield网络--那里的输入就是输出。还有一个稀疏的...自下而上的回答。输入就是输出。由于所有的处理都是并行的，所以GPU很容易实现。改变激活或其他一些过程可以用动态字符串来描述，MetaDriver有经验。掩码、权重、输出、定时数据都是以同样的方式连接的，尽管有可能通过一个可以从掩码创建的索引数组来解除它们的连接。一般来说，掩码创建了拓扑结构，它与权重一起被存储。该项目本身看起来是这样的。XML网络存储标准（加载/保存），虽然我倾向于二进制存储（但并不关键，人们希望XML清晰。）创建新网络的GUI（创建/保存）。软件网络创建界面（创建/保存）。通用网络的模型（基本）。扩展基本网络模型的类培训外壳（可扩展）后面两点是由开放源码决定的。 Mykola Demko 2012.08.02 21:25 #782 关于稀疏矩阵正确地注意到，如果矩阵是稀疏的，那么模型的效率就不高，但在这里你可以应用一个数组的索引，它的工作速度会比直接实现时慢一点，但仍在一个水平上，对于GPU来说，无论是稀疏还是全连接都没有区别，都是一样的飞快添加。Hopfield网完全没有问题，不清楚的是如何实现它的问题（因为我不明白这样一个简单的例子如何造成困难）。我没有错过什么，对吗？ZZZ大致思考了相当长的时间，而这个实施X知道什么，思考出来的这个模式会不会有什么问题，当我想不出来的时候决定向厅里求助。 Vladimir Gomonov 2012.08.02 23:15 #783 Urain。改变激活或其他一些过程可以用动态字符串描述，MetaDriver有经验。证实：这是所概述的问题中最不重要的一个。关于稀疏性。我的理解是，在网络描述层面，它是很好的，甚至是相当方便的。只需要一个压缩器："打包 "成一个紧凑的描述，反过来说，这已经是后续在mql和/或OpenCL中编译成源代码的 "食物"。// 好吧，或者为了一个动态的 "通用网格 "配置器，如果它仍然有支持者的话...... Mykola Demko 2012.08.03 10:50 #784 关于稀疏性（我在上面写过），你可以根据掩码为每个神经元创建一个索引数组，在计数后，它将指示输出的位置。而在一般情况下，我们可以一般性地讨论。现在最主要的是在总体上采用参考模式。这个模型很容易理解，这就是为什么为它编写学习算法会很容易。对于GPU来说，原始模型仍然更好（我认为）。 Vladimir 2012.08.03 14:07 #785 TheXpert: 那么为什么你让掩码连接到输出端而不是再次连接到神经元呢？）那你想怎么把激活函数塞进GPU呢？我认为，就像上次一样，你要把你不能填的东西填进去。但这是imho，所以你可以安全地躺在上面。 我不会再打扰你了，除非是公事。啊，cogitron。还有什么--hopfield网络--那里的输入就是输出。然后是稀 疏的... 稀疏的编码是伟大的!半年前我就在用它捣鼓，寻找市场上的规律。它确实如此。而且似乎是以偏概全。但根据我的实验结果，过去的价格模式不会在未来重复。我将这种方法用于搜索图像和声音中的模式。它的效果相当好。我已经向我的同事做了一份报告，他们在3年里一直在尝试做同样的事情，使用尖峰神经元。每个人都很高兴。两个博士生希望我成为他们的导师（当然，也希望我在他们的论文中使用我的成果）。一个人提出要写一篇 期刊文章。我只花了几周时间来写代码，在不同的数据上运行，并写出报告。总之，稀缺的编码有很大的潜力，但可能不是在市场上，而是在有一些结构的地方。 顺便说一下，关于上面描述的通用NS模型，我还没有什么可说的，因为我不明白神经元是如何分成几层的，如何分配处理输入的功能以及如何建立连接。 Mykola Demko 2012.08.03 14:45 #786 gpwr: 稀疏的编码是伟大的!半年前我就在用它捣鼓，寻找市场上的规律。它确实如此。而且似乎是以偏概全。但根据我的实验结果，过去的价格模式不会在未来重复。我将这种方法用于搜索图像和声音中的模式。它的效果相当好。我已经向我的同事做了报告，他们三年来一直在尝试做同样的事情，使用穗状神经元。每个人都很高兴。两个博士生希望我成为他们的导师（当然，也希望我在他们的论文中使用我的成果）。一个人提出要写一篇期刊文章。我只花了几周时间来写代码，在不同的数据上运行，并写出报告。总之，稀缺的编码有很大的潜力，但可能不是在市场上，而是在有一些结构的地方。 顺便说一下，关于上面描述的通用NS模型，我还没有什么可说的，因为我不明白神经元是如何分成几层的，如何分配功能来处理输入，以及如何建立连接。 在所提出的模型中，神经元完全不受层级的限制，也就是说，理论上任何前一个神经元都可以向后一个神经元输出一个信号。 但可以引入限制！！！设置网络的层数，并与这些层数规则联系起来，检查掩码（不会影响算法，但在加载时将有一个额外的检查）。那么顺便说一下，GPU可以不使用单个神经元，而是使用描述为一个层的神经元包。但还是那句话，模型本身不受层的限制，层的问题是一个额外的限制规则（就像按需停止），可能是，也可能不是。HI 在无层结构中，掩码的顶部三角形（在输入后面）被归零，这描述了主矩阵中没有反馈，当层出现时，归零被添加到对角线上的一个条目中。这实际上就是面具检查的意义所在。 Vladimir 2012.08.03 16:08 #787 Urain。 在所提出的模型中，神经元根本不受层数的限制，也就是说，任何前一个神经元理论上都可以向后一个神经元输出一个信号。 但可以引入限制！！！设置网络的层数，并检查与这些层数规则有关的掩码（它不会影响算法，但在加载时将有额外的检查）。 然后，顺便说一下，GPU可以不喂给单个神经元，而是喂给描述为一层的神经元包。但还是那句话，模型本身不受层数限制，层数问题是一个额外的限制性规则（就像按需停止），可能是也可能不是。 在无层结构下，掩码的顶部三角形（在输入后面）被归零，这描述了主矩阵中没有反馈，当添加层时，归零是以对角线向下的条目添加。这实际上是面具检查的目的。 需要分层，因为在一些网络中，不同层对输入的处理不同，层内神经元之间的连接也不同。 实际上，我不明白建立一个通用网络的目标是否实际。有许多网络有其细微差别（不同层的神经元的功能，它们的连接，权重的训练等）。在我看来，在一个模型中描述所有这些东西是不可能的，或者说是低效的。为什么不创建一个不同网络的图书馆呢？ TheXpert 2012.08.03 16:20 #788 gpwr: 为什么不创建一个不同网络的图书馆呢？ 和。针对特定网格的GPU会更快。 Vladimir Gomonov 2012.08.03 16:33 #789 TheXpert。 和。针对某个特定网格的GPU会更快。 但是，这种方法甚至不包含试图在遗传上杂交拓扑结构的萌芽。 TheXpert 2012.08.03 16:42 #790 MetaDriver。 但是，这种方法甚至不包含试图在遗传上杂交拓扑结构的萌芽。现在你错了。首先，如果电网的输出不能进入另一个电网的输入，那它是什么电网？第二，在大多数情况下，所有的拓扑结构都可以通过实现具有不同网络功能的层 来完成。 用权重（掩码和权重本身）连接各层，你可以得到任何你想要的拓扑结构的混合。转换是由神经元完成的；突触只是传输信号。重要的是，这种组合是有意义的。对于遗传学来说，唯一必要和充分的条件是能够获得输出和设置的云。我当时都想好了。 1...727374757677787980818283848586...100 新评论 您错过了交易机会： 免费交易应用程序 8,000+信号可供复制 探索金融市场的经济新闻 注册 登录 拉丁字符（不带空格） 密码将被发送至该邮箱 发生错误 使用 Google 登录 您同意网站政策和使用条款 如果您没有帐号，请注册 可以使用cookies登录MQL5.com网站。 请在您的浏览器中启用必要的设置，否则您将无法登录。 忘记您的登录名/密码？ 使用 Google 登录
那么为什么你让掩码连接到输出端而不是再次连接到神经元呢？）
那你想怎么把激活函数塞进GPU呢？
我认为，就像上次一样，你要把你不能填的东西填进去。但这是imho，所以你可以安全地躺在上面。
我不会再打扰你了，除非是公事。
啊，cogitron。还有什么--hopfield网络--那里的输入就是输出。还有一个稀疏的...
自下而上的回答。
输入就是输出。
由于所有的处理都是并行的，所以GPU很容易实现。
改变激活或其他一些过程可以用动态字符串来描述，MetaDriver有经验。
掩码、权重、输出、定时数据都是以同样的方式连接的，尽管有可能通过一个可以从掩码创建的索引数组来解除它们的连接。
一般来说，掩码创建了拓扑结构，它与权重一起被存储。
该项目本身看起来是这样的。
后面两点是由开放源码决定的。
关于稀疏矩阵正确地注意到，如果矩阵是稀疏的，那么模型的效率就不高，但在这里你可以应用一个数组的索引，它的工作速度会比直接实现时慢一点，但仍在一个水平上，对于GPU来说，无论是稀疏还是全连接都没有区别，都是一样的飞快添加。
Hopfield网完全没有问题，不清楚的是如何实现它的问题（因为我不明白这样一个简单的例子如何造成困难）。
我没有错过什么，对吗？
ZZZ大致思考了相当长的时间，而这个实施X知道什么，思考出来的这个模式会不会有什么问题，当我想不出来的时候决定向厅里求助。
改变激活或其他一些过程可以用动态字符串描述，MetaDriver有经验。
证实：这是所概述的问题中最不重要的一个。
关于稀疏性。
我的理解是，在网络描述层面，它是很好的，甚至是相当方便的。
只需要一个压缩器："打包 "成一个紧凑的描述，反过来说，这已经是后续在mql和/或OpenCL中编译成源代码的 "食物"。
// 好吧，或者为了一个动态的 "通用网格 "配置器，如果它仍然有支持者的话......
关于稀疏性（我在上面写过），你可以根据掩码为每个神经元创建一个索引数组，在计数后，它将指示输出的位置。而在一般情况下，我们可以一般性地讨论。现在最主要的是在总体上采用参考模式。
这个模型很容易理解，这就是为什么为它编写学习算法会很容易。
对于GPU来说，原始模型仍然更好（我认为）。
那么为什么你让掩码连接到输出端而不是再次连接到神经元呢？）
那你想怎么把激活函数塞进GPU呢？
我认为，就像上次一样，你要把你不能填的东西填进去。但这是imho，所以你可以安全地躺在上面。
我不会再打扰你了，除非是公事。
啊，cogitron。还有什么--hopfield网络--那里的输入就是输出。然后是稀 疏的...
稀疏的编码是伟大的!半年前我就在用它捣鼓，寻找市场上的规律。它确实如此。而且似乎是以偏概全。但根据我的实验结果，过去的价格模式不会在未来重复。我将这种方法用于搜索图像和声音中的模式。它的效果相当好。我已经向我的同事做了一份报告，他们在3年里一直在尝试做同样的事情，使用尖峰神经元。每个人都很高兴。两个博士生希望我成为他们的导师（当然，也希望我在他们的论文中使用我的成果）。一个人提出要写一篇 期刊文章。我只花了几周时间来写代码，在不同的数据上运行，并写出报告。总之，稀缺的编码有很大的潜力，但可能不是在市场上，而是在有一些结构的地方。
顺便说一下，关于上面描述的通用NS模型，我还没有什么可说的，因为我不明白神经元是如何分成几层的，如何分配处理输入的功能以及如何建立连接。
稀疏的编码是伟大的!半年前我就在用它捣鼓，寻找市场上的规律。它确实如此。而且似乎是以偏概全。但根据我的实验结果，过去的价格模式不会在未来重复。我将这种方法用于搜索图像和声音中的模式。它的效果相当好。我已经向我的同事做了报告，他们三年来一直在尝试做同样的事情，使用穗状神经元。每个人都很高兴。两个博士生希望我成为他们的导师（当然，也希望我在他们的论文中使用我的成果）。一个人提出要写一篇期刊文章。我只花了几周时间来写代码，在不同的数据上运行，并写出报告。总之，稀缺的编码有很大的潜力，但可能不是在市场上，而是在有一些结构的地方。
顺便说一下，关于上面描述的通用NS模型，我还没有什么可说的，因为我不明白神经元是如何分成几层的，如何分配功能来处理输入，以及如何建立连接。
但可以引入限制！！！设置网络的层数，并与这些层数规则联系起来，检查掩码（不会影响算法，但在加载时将有一个额外的检查）。
那么顺便说一下，GPU可以不使用单个神经元，而是使用描述为一个层的神经元包。但还是那句话，模型本身不受层的限制，层的问题是一个额外的限制规则（就像按需停止），可能是，也可能不是。
HI 在无层结构中，掩码的顶部三角形（在输入后面）被归零，这描述了主矩阵中没有反馈，当层出现时，归零被添加到对角线上的一个条目中。这实际上就是面具检查的意义所在。
在所提出的模型中，神经元根本不受层数的限制，也就是说，任何前一个神经元理论上都可以向后一个神经元输出一个信号。
但可以引入限制！！！设置网络的层数，并检查与这些层数规则有关的掩码（它不会影响算法，但在加载时将有额外的检查）。
然后，顺便说一下，GPU可以不喂给单个神经元，而是喂给描述为一层的神经元包。但还是那句话，模型本身不受层数限制，层数问题是一个额外的限制性规则（就像按需停止），可能是也可能不是。
在无层结构下，掩码的顶部三角形（在输入后面）被归零，这描述了主矩阵中没有反馈，当添加层时，归零是以对角线向下的条目添加。这实际上是面具检查的目的。
为什么不创建一个不同网络的图书馆呢？
和。针对某个特定网格的GPU会更快。
但是，这种方法甚至不包含试图在遗传上杂交拓扑结构的萌芽。
现在你错了。首先，如果电网的输出不能进入另一个电网的输入，那它是什么电网？
第二，在大多数情况下，所有的拓扑结构都可以通过实现具有不同网络功能的层 来完成。
用权重（掩码和权重本身）连接各层，你可以得到任何你想要的拓扑结构的混合。转换是由神经元完成的；突触只是传输信号。
重要的是，这种组合是有意义的。
对于遗传学来说，唯一必要和充分的条件是能够获得输出和设置的云。我当时都想好了。