市场礼仪或雷区中的良好风度 - 页 27

新评论
 
:-)
 

如果预示着有一百个纪元就足够了？

还有一件事：当网络刚刚初始化时，它需要N个epochs的训练，而当网络已经训练好了，即在随后的每一步（下一次预测后），它也需要N个epochs，还是一个就够了？

 

问得好，paralocus。

我只能给出建议。因此，根据我的实验数据，对于隐藏层中的2个和8个神经元，NS的训练历时数分别为10到100次迭代。对于模拟输入 - 300-500。一切都应该通过实验来检验。

每次需要N个纪元。

 

我明白了。

这里是网格代码。

код сюда не влез, поэтому в аттаче

说来惭愧，我仍然对一个简单的问题感到困惑--纪元长度计算。

这似乎很清楚--P=k*w^2/q，其中k=（2...4）；w--突触的数量，q--输入的数量。显然，我的脑子里有某种术语上的混乱。什么叫输入，什么叫突触。

你能再澄清一次吗？生活中总是发生这样的事情，最简单的事情却最难理解--:)

附加的文件：
nero2.mqh  7 kb
 

似乎是在工作 -:)


 

突触（w），是左边的神经元所具有的。输入（d），指的是第一（隐藏）层的每个神经元的突触数量。对于一个单一的神经元NS，突触的数量等于输入的数量。对于由两层组成的NS，在第一层（隐藏）含有两个神经元，在第二层（输出）含有一个神经元：w=2d+3 。一个神经元的输入，其常数偏移量为+1，被认为是一个常规的输入。对于这样一个d=100 的网络，突触的数量w=2*100+3=203。训练向量的最佳长度 P=k*w^2/d=2*(2d+3)*(2d+3)/d=（约）=2*2d*2=8d=8*100=800个样本。

 

谢谢你!

将输入改为二进制--一切都顺利多了！"。现在我在测试器中用不同的输入组合来运行这个网格。多么伟大的工作...-:)

 

早安。

我想分享我的喜悦：第一个像样的结果，这并不是因为过去中子的一些建议......蓝条是新的数据，序数为点。阴线：10,000欧元兑60美元。

多头头寸。

空头头寸并不那么引人注目。

神经网络，13个输入，没有隐藏层。遗传算法训练

 

中子，看来你对25个准备工作的说法是正确的......-:)

关于我的网络，有些东西是不学习的。在100个epochs之后，权重几乎与网络初始化时相同。

与此相关的是，另一个愚蠢的问题。

在每个历时中，学习向量是否相同？

总之，事实证明，累积修正与累积平方修正的比率很快就趋于零。因此，在第10次迭代之后，学习实际上就停止了。

 
YDzh писал(а)>>

神经网络，13个输入，没有隐藏层。遗传算法训练

真棒，YDzh!

我的结果则要温和得多。你应该把它放在演示上，看看网格会切出什么。

1...202122232425262728293031323334...104
新评论