"新神经 "是MetaTrader 5平台的一个开源神经网络引擎项目。 - 页 9 12345678910111213141516...100 新评论 Mykola Demko 2011.10.19 19:55 #81 TheXpert。不可能是这样的。不同的类型在不同的层次。我告诉你，你甚至可以让每个神经元成为一个独立的层。关于缓冲区，让我给你举个例子。让我回家。一个层是一个迭代中相互独立的神经元的联盟。 谁说不可能，但我想，但你在削减我的翅膀 :o)你永远不知道人们能想出什么，告诉他们一个层中的所有神经元应该有相同数量的输入。即使是同一层的神经元，所有这些都应该是不同的，否则我们只会得到一堆需要着色的算法（互联网上有很多），以便将一些东西联系起来。SZY 如果每个神经元都有一个单独的层，算法会有多大的难度？ [删除] 2011.10.20 01:57 #82 TheXpert。 谁能提供一些在线绘图软件，用于绘制图表或其他东西？Google Docs有图纸，你可以分享它们。我可以做一些兼职绘画工作，只要每天不超过1小时。 --- 2011.10.20 08:29 #83 TheXpert。好吧，对我来说，已实施的网络中有4个是我感兴趣的。1.Kohonen网络，包括SOM。很适合用于不清楚要找什么的集群分区。我认为拓扑结构是众所周知的：以矢量为输入，以矢量为输出或以其他方式分组的输出。学习可以有老师，也可以没有老师。2.MLP，以其最一般的形式，即有一组任意的层，组织成一个带反馈的图。使用非常广泛。3.再循环网络。坦率地说，我从来没有见过一个好的工作的非线性实现。它被用于信息压缩和主成分提取（PCA）。在其最简单的线性形式中，它被表示为一个线性的两层网络，其中信号可以从两边传播（或在其展开的形式中为三层）。 4.回声网络。原则上与MLP类似，也适用于那里。但在组织上完全不同，而且有一个明确的学习时间（好吧，而且总是产生一个全局最小值，不一样）。5.PNN -- 我没有用过它，我不知道怎么用。但我想我会找到这样的人。6.模糊逻辑的模型（不要与概率网络相混淆）。未实施。但可能是有用的。如果有人发现信息，请抛出。几乎所有的模型都有日本的作者身份。几乎所有的都是手动构建的，但如果有可能通过逻辑表达式 来自动构建拓扑结构（如果我没有记错的话），那将是不现实的酷。+网络与神经元数量的进化增加，反之亦然。+ 遗传节奏+学习加速方法。我发现有这样的一个小分类 TheXpert 2011.10.20 09:27 #84 sergeev:+ 遗传性心律 遗传学是大量的额外资源。梯度算法更好。 --- 2011.10.20 09:30 #85 TheXpert。 遗传学吞噬了大量的额外资源。梯度算法更好。为什么要为用户决定他们需要什么？你必须给他们一个选择。例如，PNN也消耗了大量的资源。这个库应该是通用的和庞大的，允许找到不同的解决方案，而不是在标准的反向传播集，你可以在网上找到这些。 TheXpert 2011.10.20 09:33 #86 Urain。一个层是一个迭代中相互独立的神经元的联盟。这有什么意义？你永远不知道人们能想出什么，告诉他们该层的所有神经元应该有相同数量的输入。嗯，每个神经元有一个输入和一个输出。 即使是同一层的神经元，所有的类型和连接都可能是不同的，这一点应该被考虑在内，否则我们只会得到一堆算法（互联网上有很多），你必须看一下这些算法才能连接一些东西。首先，我还没有完成。第二，看规则。后来的批评。你没有看到整个模型，你就开始批评了。这可不好。SZY 如果每个神经元都有一个独立的层，算法会有多大的难度？什么的算法？这只会减慢学习和运作的速度。Urain。而 "缓冲区 "实体究竟是什么？缓冲器是突触和神经元沟通的实体。再次，我的模型与生物模型很不一样。_____________________对不起，我昨天没有完成它。忘记支付网络费用，被切断了 :) [删除] 2011.10.20 09:37 #87 Urain: 一个层是一个迭代中相互独立的神经元的联盟。谁说不可能，但我想，但你在削减我的翅膀 :o)我不知道人们能想出什么办法，你可以说一个层的所有神经元应该有相同数量的输入。而且，即使是一层的神经元，其类型和连接都可以是不同的，从这一点上我们必须依赖，否则我们只会得到一堆算法（互联网上有很多），我们必须寻找其中的东西来连接。SZY 如果每个神经元都有一个单独的层，算法会有多大的难度？理论上这是可能的，在实践中我还没有遇到过这样的事情。即使有了第一次的想法。我认为，纯粹出于实验目的，你可以考虑它的实施，在项目 框架内实施一个 "杂牌 "层可能不是最好的主意，在劳动力成本和实施效率方面。虽然我个人喜欢这个想法，但至少这样的可能性也许值得讨论。 TheXpert 2011.10.20 09:40 #88 sergeev:为什么要为用户决定他们需要什么？?遗传学是一种学习方法。我认为，正确的做法是隐藏学习算法，首先选择最好的算法。 --- 2011.10.20 09:46 #89 TheXpert。?遗传学是一种学习方法。最正确的做法是将学习算法埋在地下，预先选择最佳算法。与NS合作只是为了选择其拓扑结构吗？训练方法也起着重要作用。拓扑结构和学习是密切相关的。所有用户都有自己的imho，所以你不能把一半的决策权从他们手中夺走。我们需要创建一个 不受任何预设限制的网络构建器 。并尽可能地普及。 [删除] 2011.10.20 09:50 #90 sergeev:这个库应该是通用的和庞大的，为各种解决方案的变体打开大门，而不是在标准的反向传播集合中，反正你可以在网上找到。 sergeev:与NS合作只是为了选择其拓扑结构吗？训练方法也起着重要作用。拓扑结构和学习是密切相关的。所有用户都有自己的imho，所以你不能把一半的决定权放在自己身上。我们需要创建一个 不受限于任何预设的网络构建器 。并尽可能地普及。 我完全同意这一点。 12345678910111213141516...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
不可能是这样的。不同的类型在不同的层次。我告诉你，你甚至可以让每个神经元成为一个独立的层。
关于缓冲区，让我给你举个例子。让我回家。
一个层是一个迭代中相互独立的神经元的联盟。
谁说不可能，但我想，但你在削减我的翅膀 :o)
你永远不知道人们能想出什么，告诉他们一个层中的所有神经元应该有相同数量的输入。
即使是同一层的神经元，所有这些都应该是不同的，否则我们只会得到一堆需要着色的算法（互联网上有很多），以便将一些东西联系起来。
SZY 如果每个神经元都有一个单独的层，算法会有多大的难度？
谁能提供一些在线绘图软件，用于绘制图表或其他东西？
Google Docs有图纸，你可以分享它们。
我可以做一些兼职绘画工作，只要每天不超过1小时。
好吧，对我来说，已实施的网络中有4个是我感兴趣的。
1.Kohonen网络，包括SOM。很适合用于不清楚要找什么的集群分区。我认为拓扑结构是众所周知的：以矢量为输入，以矢量为输出或以其他方式分组的输出。学习可以有老师，也可以没有老师。
2.MLP，以其最一般的形式，即有一组任意的层，组织成一个带反馈的图。使用非常广泛。
3.再循环网络。坦率地说，我从来没有见过一个好的工作的非线性实现。它被用于信息压缩和主成分提取（PCA）。在其最简单的线性形式中，它被表示为一个线性的两层网络，其中信号可以从两边传播（或在其展开的形式中为三层）。
4.回声网络。原则上与MLP类似，也适用于那里。但在组织上完全不同，而且有一个明确的学习时间（好吧，而且总是产生一个全局最小值，不一样）。
5.PNN -- 我没有用过它，我不知道怎么用。但我想我会找到这样的人。
6.模糊逻辑的模型（不要与概率网络相混淆）。未实施。但可能是有用的。如果有人发现信息，请抛出。几乎所有的模型都有日本的作者身份。几乎所有的都是手动构建的，但如果有可能通过逻辑表达式 来自动构建拓扑结构（如果我没有记错的话），那将是不现实的酷。
+网络与神经元数量的进化增加，反之亦然。
+ 遗传节奏+学习加速方法。
我发现有这样的一个小分类
+ 遗传性心律
遗传学吞噬了大量的额外资源。梯度算法更好。
为什么要为用户决定他们需要什么？你必须给他们一个选择。例如，PNN也消耗了大量的资源。
这个库应该是通用的和庞大的，允许找到不同的解决方案，而不是在标准的反向传播集，你可以在网上找到这些。
一个层是一个迭代中相互独立的神经元的联盟。
这有什么意义？
你永远不知道人们能想出什么，告诉他们该层的所有神经元应该有相同数量的输入。
嗯，每个神经元有一个输入和一个输出。
即使是同一层的神经元，所有的类型和连接都可能是不同的，这一点应该被考虑在内，否则我们只会得到一堆算法（互联网上有很多），你必须看一下这些算法才能连接一些东西。
首先，我还没有完成。第二，看规则。后来的批评。你没有看到整个模型，你就开始批评了。这可不好。
SZY 如果每个神经元都有一个独立的层，算法会有多大的难度？
什么的算法？这只会减慢学习和运作的速度。
而 "缓冲区 "实体究竟是什么？
缓冲器是突触和神经元沟通的实体。再次，我的模型与生物模型很不一样。
_____________________
对不起，我昨天没有完成它。忘记支付网络费用，被切断了 :)
一个层是一个迭代中相互独立的神经元的联盟。
谁说不可能，但我想，但你在削减我的翅膀 :o)
我不知道人们能想出什么办法，你可以说一个层的所有神经元应该有相同数量的输入。
而且，即使是一层的神经元，其类型和连接都可以是不同的，从这一点上我们必须依赖，否则我们只会得到一堆算法（互联网上有很多），我们必须寻找其中的东西来连接。
SZY 如果每个神经元都有一个单独的层，算法会有多大的难度？
理论上这是可能的，在实践中我还没有遇到过这样的事情。即使有了第一次的想法。
我认为，纯粹出于实验目的，你可以考虑它的实施，在项目 框架内实施一个 "杂牌 "层可能不是最好的主意，在劳动力成本和实施效率方面。
虽然我个人喜欢这个想法，但至少这样的可能性也许值得讨论。
为什么要为用户决定他们需要什么？
?遗传学是一种学习方法。我认为，正确的做法是隐藏学习算法，首先选择最好的算法。
?遗传学是一种学习方法。最正确的做法是将学习算法埋在地下，预先选择最佳算法。
与NS合作只是为了选择其拓扑结构吗？训练方法也起着重要作用。拓扑结构和学习是密切相关的。
所有用户都有自己的imho，所以你不能把一半的决策权从他们手中夺走。
我们需要创建一个 不受任何预设限制的网络构建器 。并尽可能地普及。
sergeev:
这个库应该是通用的和庞大的，为各种解决方案的变体打开大门，而不是在标准的反向传播集合中，反正你可以在网上找到。
与NS合作只是为了选择其拓扑结构吗？训练方法也起着重要作用。拓扑结构和学习是密切相关的。
所有用户都有自己的imho，所以你不能把一半的决定权放在自己身上。
我们需要创建一个 不受限于任何预设的网络构建器 。并尽可能地普及。