一个快速和免费的MT4资料库，让神经网络人非常高兴。 - 页 15

新评论
 
lasso >> :

我再补充一下。或者在终端崩溃的情况下。但似乎已经找到了一个解决方案。

这个问题是不同的。Vladislav，你似乎没有 "中介 "就能读懂C++代码。

你能评论一下相同的网格委员会反应和正确的权重值初始化的问题吗？(这里 有详细的介绍，还有更多的日志，这里还有一个关于重量的 问题)

翻看了一下代码。随机化是存在的。什么不是：由于标准C/C++有准随机数发生器，建议在每次调用rand()之前重新初始化内核（种子-srand(int )-移动参考点）。

int rand( void );
  Return Value 
rand returns a pseudorandom number, as described above. There is no error return.

  Remarks 
The rand function returns a pseudorandom integer in the range 0 to RAND_MAX (32767). 
Use the srand function to seed the pseudorandom- number generator before calling rand.

//------------------------------------------------

Sets a random starting point.


void srand(
   unsigned int seed 
);
  Parameters 
seed
Seed for random- number generation

  Remarks 
The srand function sets the starting point for generating a series of pseudorandom integers in the current thread. 
To reinitialize the generator, use 1 as the seed argument. Any other value for seed sets the generator to a random 
starting point. rand retrieves the pseudorandom numbers that are generated. 
Calling rand before any call to srand generates the same sequence as calling srand with seed passed as 1.

  


 
Henry_White писал(а)>>

是的，每个网格的输入是不同的，尽管这并不关键。你可以采取一个标准的信号，例如同样的RSI和一个网格，在Bruteforce的任何输入处仍然得到负值。

规模的初始化-1，1。

关于简介...你是指训练过的网的结果文件吗？

不，我们谈论的是不同的事情。 我问你输出的情况！？ 请在这里 研究一下。 也就是说，我们有一个由16个网组成的委员会，用随机权重初始化它们，在每个输入端放一个&input_vector[]，结果输出是一样的 (在链接中，所有的日志都被布置好了）。

问题来了！！！。

........

是的，训练好的网络的结果文件显示在这里，或发电子邮件到 .... 对权重的数值感兴趣。 在没有训练的情况下，在初始化后立即拥有网络的概况也是很好的。 >>好吗？

 
lasso >> :

不，我们谈论的是不同的事情。 我问你关于出口的问题！？ 请在这里 挖掘。 也就是说，我们有一个由16个网组成的委员会，用随机权重初始化它们，在每个输入处放一个&input_vector[]，结果输出是一样的！！！。 (在链接中，所有的日志都被布置好了）。

问题来了！！！。

........

是的，训练后的网络文件显示在这里，或发电子邮件至 .... 对权重的数值感兴趣。 在没有训练的情况下，在初始化后立即拥有网络的概况也是很好的。 好吗？

我们真正谈论的是不同的事情 ))我理解你的问题。并检查了它。并证实，是的，这种效果是存在的。

在我的上一篇文章中，我写了 "另一个怪事"，这意味着它与初始权重的随机化问题和委员会网格的操作身份无关，只有一个输入向量。

我是说在冗余学习的情况下（尽管正常学习也有这种效果），根据MSE，正向收敛，网络没有 "找到 "绝对最小值，甚至没有找到局部最小值，而是平庸地滚到范围边界，这表明学习算法有问题......

 

对了，检查了初始权重的初始化（创建后立即记录）。一切正常。随机化是存在的。

但这里有一个我在资料中发现的奇怪条目。

layer_sizes=31 31 17 2

而这在。

ann = f2M_create_standard (4, AnnInputs, AnnInputs, AnnInputs / 2 + 1, 1); with AnnInputs=30

隐蔽层由于某种原因被指定为比申报的多一个。但更让我困惑的是，当声明为 "1 "时，输出层 "2 "的大小！！。

 
Henry_White >> :

对了，检查了初始权重的初始化（创建后立即记录）。一切正常。随机化是存在的。

但这里有一个我在资料中发现的奇怪条目。

layer_sizes=31 31 17 2

而这在。

ann = f2M_create_standard (4, AnnInputs, AnnInputs, AnnInputs / 2 + 1, 1); when AnnInputs=30

由于某些原因，隐藏层比申报的多了一个。但更让我困惑的是，当声明为 "1 "时，输出层 "2 "的大小！！。

那里的一切都很正确。总共有4层：输入层，2个隐藏层，输出层。每个层都有偏置=1，它不参与 "用户 "维度。这是从FANN文件中提取的。


好运。

 
是的，我读过关于偏见的文章...但我没有看到任何关于它出现在网格的简介中的信息。也许你是对的，它真的是一个额外的反馈神经元。无论如何，这将从逻辑上解释层数的递增......。而且我已经很高兴我找到了关于网格 "漂浮 "到范围边界的线索。）
 
Henry_White писал(а)>>

对了，检查了初始权重的初始化（创建后立即记录）。一切正常。有随机性。

是的，权重是随机的。但我仍然重复。

注意到了。随机化是-1到1，在网络配置文件中，权重是-10.0e-003到10.0e-003。

例子。(12, -7.35577636217311400000e-003) (13, 7.639700053449810000e-002)

这是否正确？

这就是为什么我要求显示你的网络概况....。

 
lasso >> :

是的，天平的随机性是存在的。但我还是要说。

注意到了。随机化从-1到1，在网络配置文件中，权重从-10.0e-003到10.0e-003。

例子。(12, -7.35577636217311400000e-003) (13, 7.639700053449810000e-002)

这是否正确？

这就是为什么我要求显示你的网络概况....。

检查过了--我的数值不同，而且几乎是均匀地分散在一起。下面是其中一个初始化.NET的例子。

connections (connected_to_neuron, weight)=(0, -9.94689941406250000e-001) (1, -6.88415527343750000e-001) (2, 6.5136718750000e-001) (3, -8.2067871093750000e-001) (4, 9.8370361328125000000e-001) (5, -6.8493652343750000e-001）（6，3.601074218750000e-001）（7，2.90527343750000e-001）（8，7.546386718750000e-001）（9，-7.60314941406250000e-001）（10，-7.78137207031250000e-001）（11，755432128906250000e-001）（12，-6.61560058593750000e-001）（13，1.657714843750000e-001）（14，5.710449218750000e-001）（15，-1.54785156250000e-001）（16，9.851074218750000e-002）（17，-5。26916503906250000e-001）（18，8.58947753906250000e-001）（19，-5.6652832031250000e-001）（20，7.3144531250000e-001）（21，-8.80310058593750000e-001）（22，6.823730468750000e-002）

................................................................................................................................................................................................................................

(42, -6.953735156250000e-001) (43, -7.0153808593750000e-001) (44, -7.38952636718750000e-001) (45, -3.44238281250000e-002) (46, -1.99401855468750000e-001）（47，2.73132324218750000e-001）（48，4.53186035156250000e-001）（49，-4.709472656250000e-001）（50，-7.741699218750000e-001）（51，-9。5471191406250000e-001）（52，8.09509277343750000e-001）（53，9.92370605468750000e-001）（54，-4.13391113281250000e-001）（55，6。672973632812500000000e-001）（56，9.59289550781250000e-001）（57，1.0925292968750000e-001）（58，-3.02551269531250000e-001）（59，-5.29785156250000e-001）（60，5。857543945312500000000e-001）（61，7.999877929968750000e-001）（62，-1.11999511718750000e-001）（63，-8.0749511718750000e-001）（64，-7。0886230468750000e-001）（65，8.05236816406250000e-001）（66，2.9260253906250000e-001）（67，3.6163333300781250000e-001）（68，-2.99011230468750000e-001）（69，6。248168945312500000000e-001）（70，-7.15759277343750000e-001）（71，-7.5720214843750000e-001）（72，-1.31774902343750000e-001）（73，5.53894042968750000e-001）（74，-3。8500976562500000000-001）（75，-3.3361816406250000-001）（76，-9.587402343750000-001）（77，-3.70544433593750000-001）（78，8.2690429468750000-001）


SZZ真相组合图书馆本身。与f2M有些不同。虽然，f2M的作者的意识形态我很喜欢，并导致了类似的观点。今天刚刚增加了发电机的重新初始化--不知道它对它的影响有多大。


 
VladislavVG писал(а)>>

检查过了--我的数值不同，而且几乎是均匀地分散在一起。这里是其中一个初始化。

你的权重是比较正确的，但当输入矢量相同时，网络输出的数值是多少？

 
lasso >> :

你的权重是比较正确的，但是对于相同的输入向量，网络的输出是什么？

我还没有完全测试所有的东西--在优化测试器运行时。我不想打断它。

我可以附上dll、mqh和EA--与原来的有一些区别，也许能更快地让它发挥作用。

1...8910111213141516171819202122...57
新评论