市场礼仪或雷区中的良好风度 - 页 15

新评论
 
Neutron >> :

你可以自己在文献中查找这些公式，互联网上有很多这样的文献。

我们不要太草率。也不要试图用各种计谋使你的生活复杂化，如 "非线性学习 "等，那是来自邪恶者的。在简单与和谐中体现出美丽与可靠!

拯救和怜悯...

 
:-)
 
Neutron >> :

让我们慢慢来吧。也不要试图用 "非线性学习 "之类的各种臆想来使你的生活复杂化。在简单与和谐中体现出美丽与可靠!

Ы?这是一个经典。总之，我让你去做吧。

 
Neutron >> :

你有一个长度为n个样本的输入信号向量（让它是一维的），让n+1个样本来测试网络的训练质量。你给它这个向量（n个样本），将所有权重等同于均匀概率密度分布的+/-1范围内的随机值，然后看看网格的输出结果。假设你设置了+5.1，并检查n+1计数（训练向量上的训练网格应该追求的值）+1.1。然后你取得到的值和期望的+4之间的差值，并把这个值，保持其符号加到输出神经元的每个权重上（如果它没有FA），或从这个值中找到FA的导数，并把它加到输入神经元的权重上（如果它有FA）。以此类推。

如果你消化了这一块，我会告诉你如何将误差进一步推到第一层（输入）的输入权重。

1.按照我的理解，电网必须有两种运行模式：1--学习，2--识别，这些模式是不兼容的，也就是说，电网在任何时候都处于其中之一。


2.一个长度为n的输入信号向量，例如，一个数组V[n,3]（对于有三个输入的网格）是n个柱子上的RSI值 - 对吗？那么n+1计数就是n+1条的相同RSI。在这种情况下，我训练网格来预测RSI的未来行为，基于它以前的行为。

如果是这样的话，权重都是清楚的，直到我需要对非光滑的FA函数进行导数。 ( 我的意思是，我只是还不知道如何做......也许只是取两个相邻的FA(RSI(i))点之间的角度系数。?嗯，好吧，这是一个技术问题--会解决的）。

 
paralocus писал(а)>>

1.按照我的理解，电网必须有两种运行模式：1--学习，2--识别，这些模式是不兼容的，也就是说，电网在任何时候都处于其中之一。

2.一个长度为n的输入信号向量，例如，一个数组V[n,3]（对于有三个输入的网格）是n个柱子上的RSI值 - 对吗？那么n+1计数就是n+1条的相同RSI。在这种情况下，我训练网格来预测RSI的未来行为，基于它以前的行为。

如果是这样的话，权重都是清楚的，直到我需要对非光滑的FA函数进行导数。 ( 我的意思是，我只是还不知道如何做......也许只是取两个相邻的FA(RSI(i))点之间的角度系数。?嗯，好的，这是一个技术问题--会解决的）。

这在F.Wasserman.Neurocomputing - Theory and Practice中得到了很好的解释。

 
Vinin >> :

在F. Wasserman, Neurocomputing - Theory and Practice中得到了很好的解释。

是的，谢谢，我找到了一个。

 
paralocus писал(а)>>

1.按照我的理解，电网必须有两种运行模式：1--学习，2--识别，这些模式是不兼容的，也就是说，电网在任何时候都处于其中之一。

2.一个长度为n的输入信号向量，例如，一个数组V[n,3]（对于有三个输入的网格）是n个柱子上的RSI值 - 对吗？那么n+1计数就是n+1条的相同RSI。在这种情况下，我训练网格来预测RSI的未来行为，基于它以前的行为。

如果是这样的话，权重都是清楚的，直到我需要对非光滑的FA函数进行导数。 ( 我的意思是，我只是还不知道如何做......也许只是取两个相邻的FA(RSI(i))点之间的角度系数。?嗯，好的，这是一个技术问题--会解决的）。

1.随着新数据的到来，网格在新的训练向量上进行训练，训练后立即产生一个提前1步的预测，如此反复，直到无穷大。也就是说，这是一个在每个步骤中对NS进行额外培训的问题。

2.有三个输入的网格读取三个最后的向量长度为n+1+3的读数，并通过顺序一步移全部n次对其进行训练。

衍生品没有任何问题。如果我们用双曲正切FA=th(x)作为FA，那么我们就没有问题从它那里找到导数，dFA=1-th(x)^2，这个神经元输入端的修正权重将是：dw=delta*(1-th(s)^2)，其中delta是网格输出和样本的实际值之间的误差，s是网格输出。

 
Neutron >> :

1.随着新数据的到来，网格在新的训练向量上进行训练，训练后立即产生一个提前1步的预测，如此反复，直到无穷大。也就是说，我们讲的是在每个步骤中对NS的额外培训。

2.有三个输入的网格读取三个最后的向量长度为n+1+3的读数，并通过顺序一步移全部n次对其进行训练。

衍生品没有任何问题。如果我们使用双曲正切FA=th(x)，那么我们就没有问题从它那里找到导数dFA=1-th(x)^2，这个神经元输入的修正权重将是：dw=delta*(1-th(s)^2)，其中delta是网格输出和样本的实际值之间的误差，s是网格输出。

就这样吧!所以没有必要重新培训她。哦，好极了!

2.一个有三个输入的网格，读取一个长度为n+1+3的向量的最后三个样本，并通过依次移位一步的方式对其进行训练，所有n次都是如此。


我一定是在这里说错话了。不是一个有三个输入的网格，而是一个有三个突触的神经元，每个突触都接受一个输入信号。

1synaps - th(RSI(i))

2synaps - th(RSI(i+dt))

3synaps - th(RSI(i+td*2))

1.我们用随机值（-/+1）初始化突触的权重，这很有意义--只有三个突触。

2.然后，我们需要用输入信号的n个样本来喂养每个输入端，也就是之前n个小节上的输入信号序列。

3.然后在第n条上输出神经元，并与输入信号的n+1值进行比较，如果神经元的输出没有FA，则应将差值（误差）连同其符号添加到每个权重中。

如果输出是来自FA，我们将误差乘以来自FA的谨慎（在第n条）加入到权重中。

4.向前移动一个小节（第n+1个变成第n个），重复步骤2至4。


问题。

1. n = k*w*w/d ?

2.要计算误差值，一定要从网格输出值中减去测试次数？

 

是的!

然后让我们转到学习的时代。将有10到1000个，取决于目标和手段，我们将更详细地触及如何形成一个权重校正的向量（事实上它在一个历时内是换算的），其长度等于长度为 n-计数 的样本上的突触数量w。

简而言之，先别费心。

 
Neutron >> :

是的!

然后让我们转到学习的时代。将有10到1000个，取决于目标和手段，我们将更详细地触及如何形成一个权重校正的向量（事实上它在一个历时内是换算的），其长度等于长度为n-计数的样本上的突触数量w。

简而言之，现在还不要太兴奋。

中子，我需要短暂的休息。我必须再次重新思考一切，至少为一个神经元把它变成代码。总之，一两天后，我们将继续。

我非常感谢你!

1...8910111213141516171819202122...104
新评论