市场礼仪或雷区中的良好风度 - 页 46

[[删除]]

paralocus писал(а)>>

为什么我需要时间框架？不管是谁发明了它们，让他们在上面进行交易。

那么你的增量是什么呢？一定的时间？ 数量？德普罗利？

[paralocus]

YDzh >> :

那么对你来说，什么是增量？在一定的时间内？>> 赢利？

商量增量与时间没有任何关系。有一个商的增量为N点，例如向上 - 这是一个符号

[[删除]]

paralocus писал(а)>>

商数增量与时间没有任何关系。有一个增加N点的报价，比如说向上 - 这是一个符号

而等待这一增长的时间有多长，以及缩减的幅度会有多大--是一个第十个问题......好吧，你是老板......。

[paralocus]

YDzh >> :

而要等多久才会有这种增长，以及缩减的幅度会有多大，则是第十个问题......好了，就这样吧，你是老板......

你不必等待，没有必要，但无论如何都会缩减的--这就是生意。

[Neutron]

下面是一个例子，说明在网格训练 期间，权重如何收敛到全局最小值。

这里有两个案例，权重的起始点不同。你可以看到，在训练结束时，每个权重的振荡都会平稳地消退，并且它们会收敛到大致相同的值。这个例子是针对一个有三个输入的单一神经元。

[paralocus]

令人惊奇的是，图片!分享你的治疗方法 :-)

顺便说一下，我住在科罗廖夫

[Neutron]

没问题。

这张图片说明了在商数的下一个倒计时的学习。

你可以看到，在不同的实验中，权重的最佳值是稳定的，但相对于之前在计数上得到的结果，它们有明显的偏移。这表明市场类型的BP的静止性较弱，有必要在每次倒数时重新训练女孩。

[[删除]]

Neutron >> :

没问题。

这张图片说明了在商数的下一个倒计时的学习。

你可以看到，在不同的实验中，权重的最佳值是稳定的，但相对于以前在计数上得到的结果，它们有明显的偏差。这表明市场类型的BP的静止性较弱，有必要在每次计数时重新培训女孩。

这可能也是由于配给的原因。

[paralocus]

registred >> :

这也可能是因为配给制。

但这个东西，同意，是美丽的 -:)

[Neutron]

paralocus писал(а)>>

但事情是，同意，美丽的 -:)

降低学习率--在1-L/Epox括号前的系数（稳定性会提高），并在每个历时后对权重有压缩功能，否则它们在学习过程中的振幅太大。这都是一样的，但有时重量进入饱和状态，变得失去了学习的意义（非线性双层的典型）。