文章 "使用 Python 的深度学习 GRU 模型到使用 EA 的 ONNX,以及 GRU 与 LSTM 模型的比较" 新评论 MetaQuotes 2024.10.21 08:36 新文章 使用 Python 的深度学习 GRU 模型到使用 EA 的 ONNX,以及 GRU 与 LSTM 模型的比较已发布: 我们将指导您完成使用 Python 进行 DL 制作 GRU ONNX 模型的整个过程,最终创建一个用于交易的专家顾问 (EA),然后将 GRU 模型与 LSTM 模型进行比较。 GRU 是门控循环单元 (Gated Recurrent Unit) 的缩写,代表类似于 LSTM(长短期记忆,Long Short-Term Memory)的循环神经网络 (RNN,recurrent neural network) 架构的变体。 与 LSTM 非常相似,GRU 是为对顺序数据进行建模而设计的,能够跨时间选择性地保留或省略信息。值得注意的是,GRU 相对于 LSTM 拥有精简的架构,参数更少。这一特性提高了训练的便利性和计算效率。 GRU 和 LSTM 的主要区别在于它们对记忆单元状态的处理。在 LSTM 中,记忆单元状态与隐藏状态不同,并通过三个门进行更新:输入门、输出门和遗忘门。相反,GRU 用“候选激活向量”取代记忆单元状态,通过两个门进行更新:重置门和更新门。 总之,GRU 成为序列数据建模中 LSTM 的首选替代方案,特别是在存在计算约束或需要更简单架构的情况下。 作者:Javier Santiago Gaston De Iriarte Cabrera 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
新文章 使用 Python 的深度学习 GRU 模型到使用 EA 的 ONNX,以及 GRU 与 LSTM 模型的比较已发布:
我们将指导您完成使用 Python 进行 DL 制作 GRU ONNX 模型的整个过程,最终创建一个用于交易的专家顾问 (EA),然后将 GRU 模型与 LSTM 模型进行比较。
GRU 是门控循环单元 (Gated Recurrent Unit) 的缩写,代表类似于 LSTM(长短期记忆,Long Short-Term Memory)的循环神经网络 (RNN,recurrent neural network) 架构的变体。
与 LSTM 非常相似,GRU 是为对顺序数据进行建模而设计的,能够跨时间选择性地保留或省略信息。值得注意的是,GRU 相对于 LSTM 拥有精简的架构,参数更少。这一特性提高了训练的便利性和计算效率。
GRU 和 LSTM 的主要区别在于它们对记忆单元状态的处理。在 LSTM 中,记忆单元状态与隐藏状态不同,并通过三个门进行更新:输入门、输出门和遗忘门。相反,GRU 用“候选激活向量”取代记忆单元状态,通过两个门进行更新:重置门和更新门。
总之,GRU 成为序列数据建模中 LSTM 的首选替代方案,特别是在存在计算约束或需要更简单架构的情况下。
作者:Javier Santiago Gaston De Iriarte Cabrera