神经网络和输入 - 页 4

新评论
 
Demi:
当然是的!对交易到垃圾场，等等。

当然，你更清楚。(讽刺)

我不是在说成对的交易。
 
Demi: 显示结果。
我已经给你看了结果))))
 
LeoV:
我不是在说成对的交易。

对交易，并以 "分歧 "为基础。

我知道了，谢谢你。

 
Demi: 对子交易的基础是 "分歧"。
我说的不是背离，我说的是不同工具之间的模式，这不包括相关背离 ))
 
Figar0:

有趣的说法...什么是网络？并在输入上相应地对以前的分形进行一些处置？就像对我来说，你的两个输出对两个网络来说是个问题...

那么，通常对最大的正常化？即10；1；-5归一化为1；0.1；-0.5？

关于权重的正常化，并不是很清楚。你也以同样的方式使它们正常化吗？同样作为中间层的结果？还是我误解了什么？如果正确的话，那么我恐怕你在这里会有一些石头。

这些问题在脱离背景的情况下是很奇怪的。如果不知道网络的类型和它的任务，你能对输出提出什么建议？输入也是如此...



我没有直接与价格打交道。我使用的是价格和抛物线 之间的差异。为什么是抛物线？它有特征性的跳跃和下降，我在输出上使用了斐波那契的条形移动，以使信号不出现明显的波动。因此，当我有8个差异时，我以这种方式将它们归一化，即我找到最大的模数，并将所有东西除以这个系数。然后是重量。我没有对其进行归一化处理，但利用同样的原则，所得的层数总和应该自然减少。以此类推，逐层进行，直到我得到两个输出值。如果将权重也归一化，有人怀疑在训练时权重值会达到极端值-100、100和0，而这不是王牌，所以我只将中间层的结果归一化。
 
过度规范化会给有用信息所在的原始信号带来扭曲，这可能导致有用信息的消失或比例减少，进而导致网络不能正常工作--赚钱。这就是为什么你必须非常小心地对待金融技术市场的正常化。
 
LeoV:
过度规范化会给有用信息所在的原始信号带来扭曲，这可能导致有用信息的消失或比例减少，进而导致网络不能正常工作--赚钱。这就是为什么你必须非常小心地对待金融技术市场的正常化。

有一种可能性是既不对输入信号也不对中间信号进行归一化，直到信号通过所有的层，它的电平将只是增长到所需的范围，+/-，而输出将已经被归一化了。它是这样的。
 
grell:

可以完全不对输入或中间信号进行归一化处理，直到信号通过所有层，其电平将刚刚上升到所需的范围，+/-，输出将被归一化。它是这样的。
问题是，不同的输入可以有不同的缩放比例。Grid和其他算法一样，不喜欢变量的缩放比例有很大差别（例如，一半输入的范围是[-0.0001;0.0001]，而另一半的范围是[-1000;1000]）。训练的收敛性会受此影响。因此，即使不规范化，至少也应该把输入设置成可比较的规模，最好是相同的顺序：大致上说，NS会更快地学习。
 

你在这里讨论的是哪个市场：静止的还是非静止的？

 
faa1947:

你在这里讨论的是哪个市场：静止的还是非静止的？


那你为什么要砸东西呢？你是在为你的文盲找人指责吗？DDD

说真的，有什么好处呢？)

1234567891011...41
新评论