市场礼仪或雷区中的良好风度 - 页 42 1...353637383940414243444546474849...104 新评论 paralocus 2009.06.04 05:33 #411 Neutron >> : Matcad允许你在任何一个步骤上将计数过程可视化。实验。 我可以谈一谈这个问题吗？我只有在所有计算完成后才有图表。 Neutron 2009.06.04 05:39 #412 我也是 :-( 我的意思是，你可以显示任何你感兴趣的信息，并以合适的形式呈现出来，供以后分析。 paralocus 2009.06.04 05:52 #413 你在某处写到，在整个训练向量中，网络只学习识别第n+1个参考。这是否应该理解为，在N个历时中，训练基准点的位置不会移动？实际上我是这样做的（在那个有一堆不同函数的列表中），也就是说，在整个向量误差的计算中，TEST-OUT，其中TEST是第n+1个样本。现在，在这个实现中，TEST是最后一个（最大的）输入后的计数。也就是说，它在整个扇形范围内从第d+1次到第n+1次被移位。这里可能有一个错误吗？ Neutron 2009.06.04 06:23 #414 等一下。 我们向NS的输入提供一个长度为d 的数据向量，其中d是 网格的信息输入数（不包括偏移量）。在网格的输出端，为了训练它，我们输入d+1 个计数。在这一步，权重是随机的。在这一步，我们已经得到了每个矢量的校正的德尔塔。记住它（不要纠正任何东西）。移动一格，重复这个程序。分别加入修正和其方块。重复该程序三次（不对重量进行修正）。最后，我们第一次修正所有的权重，这就是学习的第一个纪元。现在，用同样的数据重新开始，但以已经找到的权重开始。在结束时正确的权重，这是学习的第二个纪元。做100次（例如），这样就有100个 epochs 的训练。这就是全部。网友们已经准备好做出预测了。整个数据向量与最近的最后一次计数被送入它，我们收到预测。在真正的（而不是预测的）计数到来后，再次重新训练网络，并对权重进行随机化。 paralocus 2009.06.04 06:34 #415 那么就不会有错误。 [删除] 2009.06.04 06:37 #416 有趣的讨论:)中子，顺便说一下，你毕竟还没有回答我关于起始重量的问题？你只谈到了你如何重新训练网。但即使没有这些，如果你至少重新训练一次网，它也会有一个错误，甚至是一个重大的错误。我说的是我对Backprop的经验:)。其实我只对这个问题感兴趣，网格技术中的其他东西都不重要。网的委员会，你如何看待它，它是否需要，也许有可能最初调整权重，使网格在训练开始时接近全局最小值，这样委员会就不需要了？ Neutron 2009.06.04 06:45 #417 paralocus писал(а)>> 那么就不会有错误。 当我从一个纪元到另一个纪元时，我用这样的 "俯卧撑 "推起每个重量。 这可以防止重量爬升到饱和区域，并在训练中保持在+/-5范围内。 注册 写道>> 中子，顺便说一句，你还是没有回答我关于初始权重的问题？你只谈到了你如何重新训练网。但即使没有这些，如果你至少训练一次网，它也会有一个错误，甚至是一个重大的错误。我说的是我对Backprop的经验:)。其实我只对这个问题感兴趣，网格技术中的其他东西都不重要。网的委员会，你如何看待它，它是否需要，也许你可以以某种方式调整最初的权重，使网在训练开始时接近全局最小值，这样，委员会就不需要了？ 我用一个分布在+/-1范围内的架子上的随机值来随机化初始权重。我每次都会这样做。平均而言，每一步的网格重新训练都能准确地找到全局最小值，与一劳永逸的网格相比，这是每一步重新训练的一个优势。它可能不小心撞到了那里的一个局部孔，它的所有预测都将是不充分的。在这种情况下，寻找优化天平起点的方法确实很重要。我还没有解决这个问题。 至于承诺网，那是一个有用的东西，但需要资源。我们可以证明，简单地增加隐藏层中的神经元数量实质上是一种提交，但比经典版本更耗费资源，但由于提交成员的综合非线性，因此更加强大。这是你应该实验的地方。 [删除] 2009.06.04 06:51 #418 Neutron >> : 当我从一个纪元到另一个纪元时，我用这样的 "俯卧撑 "推起每个重量。 这可以防止权重蔓延到饱和区域，并在学习时保持在+/-5范围内。 我在归一化时不是从[-1;1]，而是从[-0.9;0.9]，简单地压缩间隔，效果是一样的，没有饱和度。我的意思有点不同，在权重调整的过程中，由于所谓的轻信函数，初始权重系数可能根本达不到最佳值。说实话，我正在为这个问题挣扎。而你可能也没有解决这个问题，所以，即使证据基础很好的建模，也很难从市场上获得任何有价值的东西。 [删除] 2009.06.04 07:01 #419 Neutron >> :我用一个分布在+/-1范围内的架子上的随机值来随机化初始权重。我在每次倒计时时都会这样做。网格在每一步重新训练后，平均能准确地找到全局最小值，这是每一步重新训练的优势，相比之下，一次训练后的网格总是很好。它可能不小心撞到了那里的一个局部孔，它的所有预测都将是不充分的。在这种情况下，寻找优化天平起点的方法确实很重要。我还没有解决这个问题。 至于承诺网，那是一个有用的东西，但需要资源。我们可以证明，简单地增加隐藏层中的神经元数量实质上是一种提交，但比经典版本更耗费资源，但由于提交成员的综合非线性，因此更加强大。你需要在这里做实验。 这是破坏整个事情的事情：）。顺便说一下，根据我的观察结果，能够快速学习网状结构的最佳随机化权重是在[-0.07; +0.07]的区间内。我不知道为什么会出现这种情况:) Neutron 2009.06.04 07:03 #420 registred писал(а)>> 我在归一化时不是从[-1;1]，而是从[-0.9;0.9]，简单地压缩了间隔，效果是一样的，没有饱和度。我的意思有点不同，在调整权重的过程中，由于所谓的轻信函数，初始加权系数可能根本达不到最佳值。说实话，我正在为这个问题挣扎。而你可能也没有解决这个问题，这就是为什么在市场上很难用Backprop得到有价值的东西，即使证明基础是好的建模。 上帝会照顾到合适的人!逆推程序并不复杂，NS学习也不会受到影响--它是一种有效的方法。 至于说没有达到最佳值，这对我们的BP来说纯粹是虚张声势。如果你预测的是正弦波，我可以理解!- 在那里，是的--有最佳价值。但是，在市场动荡的情况下，那些是什么呢？现在，最佳状态就在那里，在下一步（你所预测的），它就在那里......。而你一直在全力以赴地寻找 "这里"。简而言之，不存在精确的定位问题，通过每一步的重新训练就能令人满意地解决这个问题。 1...353637383940414243444546474849...104 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
Matcad允许你在任何一个步骤上将计数过程可视化。实验。
我可以谈一谈这个问题吗？我只有在所有计算完成后才有图表。
我也是 :-(
我的意思是，你可以显示任何你感兴趣的信息，并以合适的形式呈现出来，供以后分析。
等一下。
我们向NS的输入提供一个长度为d 的数据向量，其中d是 网格的信息输入数（不包括偏移量）。在网格的输出端，为了训练它，我们输入d+1 个计数。在这一步，权重是随机的。在这一步，我们已经得到了每个矢量的校正的德尔塔。记住它（不要纠正任何东西）。移动一格，重复这个程序。分别加入修正和其方块。重复该程序三次（不对重量进行修正）。最后，我们第一次修正所有的权重，这就是学习的第一个纪元。现在，用同样的数据重新开始，但以已经找到的权重开始。在结束时正确的权重，这是学习的第二个纪元。做100次（例如），这样就有100个 epochs 的训练。这就是全部。网友们已经准备好做出预测了。整个数据向量与最近的最后一次计数被送入它，我们收到预测。在真正的（而不是预测的）计数到来后，再次重新训练网络，并对权重进行随机化。
有趣的讨论:)中子，顺便说一下，你毕竟还没有回答我关于起始重量的问题？你只谈到了你如何重新训练网。但即使没有这些，如果你至少重新训练一次网，它也会有一个错误，甚至是一个重大的错误。我说的是我对Backprop的经验:)。其实我只对这个问题感兴趣，网格技术中的其他东西都不重要。网的委员会，你如何看待它，它是否需要，也许有可能最初调整权重，使网格在训练开始时接近全局最小值，这样委员会就不需要了？
那么就不会有错误。
当我从一个纪元到另一个纪元时，我用这样的 "俯卧撑 "推起每个重量。
这可以防止重量爬升到饱和区域，并在训练中保持在+/-5范围内。
中子，顺便说一句，你还是没有回答我关于初始权重的问题？你只谈到了你如何重新训练网。但即使没有这些，如果你至少训练一次网，它也会有一个错误，甚至是一个重大的错误。我说的是我对Backprop的经验:)。其实我只对这个问题感兴趣，网格技术中的其他东西都不重要。网的委员会，你如何看待它，它是否需要，也许你可以以某种方式调整最初的权重，使网在训练开始时接近全局最小值，这样，委员会就不需要了？
我用一个分布在+/-1范围内的架子上的随机值来随机化初始权重。我每次都会这样做。平均而言，每一步的网格重新训练都能准确地找到全局最小值，与一劳永逸的网格相比，这是每一步重新训练的一个优势。它可能不小心撞到了那里的一个局部孔，它的所有预测都将是不充分的。在这种情况下，寻找优化天平起点的方法确实很重要。我还没有解决这个问题。
至于承诺网，那是一个有用的东西，但需要资源。我们可以证明，简单地增加隐藏层中的神经元数量实质上是一种提交，但比经典版本更耗费资源，但由于提交成员的综合非线性，因此更加强大。这是你应该实验的地方。
当我从一个纪元到另一个纪元时，我用这样的 "俯卧撑 "推起每个重量。
这可以防止权重蔓延到饱和区域，并在学习时保持在+/-5范围内。
我在归一化时不是从[-1;1]，而是从[-0.9;0.9]，简单地压缩间隔，效果是一样的，没有饱和度。我的意思有点不同，在权重调整的过程中，由于所谓的轻信函数，初始权重系数可能根本达不到最佳值。说实话，我正在为这个问题挣扎。而你可能也没有解决这个问题，所以，即使证据基础很好的建模，也很难从市场上获得任何有价值的东西。
我用一个分布在+/-1范围内的架子上的随机值来随机化初始权重。我在每次倒计时时都会这样做。网格在每一步重新训练后，平均能准确地找到全局最小值，这是每一步重新训练的优势，相比之下，一次训练后的网格总是很好。它可能不小心撞到了那里的一个局部孔，它的所有预测都将是不充分的。在这种情况下，寻找优化天平起点的方法确实很重要。我还没有解决这个问题。
至于承诺网，那是一个有用的东西，但需要资源。我们可以证明，简单地增加隐藏层中的神经元数量实质上是一种提交，但比经典版本更耗费资源，但由于提交成员的综合非线性，因此更加强大。你需要在这里做实验。
这是破坏整个事情的事情：）。顺便说一下，根据我的观察结果，能够快速学习网状结构的最佳随机化权重是在[-0.07; +0.07]的区间内。我不知道为什么会出现这种情况:)
我在归一化时不是从[-1;1]，而是从[-0.9;0.9]，简单地压缩了间隔，效果是一样的，没有饱和度。我的意思有点不同，在调整权重的过程中，由于所谓的轻信函数，初始加权系数可能根本达不到最佳值。说实话，我正在为这个问题挣扎。而你可能也没有解决这个问题，这就是为什么在市场上很难用Backprop得到有价值的东西，即使证明基础是好的建模。
上帝会照顾到合适的人!逆推程序并不复杂，NS学习也不会受到影响--它是一种有效的方法。
至于说没有达到最佳值，这对我们的BP来说纯粹是虚张声势。如果你预测的是正弦波，我可以理解!- 在那里，是的--有最佳价值。但是，在市场动荡的情况下，那些是什么呢？现在，最佳状态就在那里，在下一步（你所预测的），它就在那里......。而你一直在全力以赴地寻找 "这里"。简而言之，不存在精确的定位问题，通过每一步的重新训练就能令人满意地解决这个问题。