Fann2MQL кто юзал? - Страница 2
Страница 2 из 2 ПерваяПервая 1 2
Показано с 11 по 20 из 20

Тема: Fann2MQL кто юзал?

  1. #11
    Местный
    Регистрация
    27.12.2018
    Сообщений
    189
    Благодарности
    Получено: 0
    Отправлено: 93
    PHP код:
    /* Fann2MQL.mqh
    Авторское право (C) 2008-2016 Мариуш Волошин» (Mariusz Woloszyn) 
    этот файл является частью пакета Fann2M»», 
    вы можете перераспределить его и/или изменить , - это в соответствии с положениями общей публичной лицензии GNU, 
    опубликованной «», «Фонд свободного программного обеспечения;
    */
    #property copyright "Mariusz Woloszyn"
    #property link      "https://fann2mql.wordpress.com/"
    #import "Fann2MQL.dll"

    //НАЧАЛО
    int f2M_create_standard(int num_layersint l1numint l2numint l3numint l4num);
    //Создаеt стандартную полностью подключенную нейронную сеть обратного распространения.
    //num_layers - общее количество слоев, включая входной и выходной.L1num - количество нейронов в 1-м слое (входы)
    //L2num, l3num, l4num - количество нейронов в скрытом и выходном слоях (в зависимости от num_layers).
    //========================================================================================================
    int f2M_destroy(int ann);     
    //удаляет сеть сеть
    //Ann - имя сети созданый функцией f2M_create_xxxxxx
    //возврашает:0 при успехе -1 при ошибке
    //ВНИМАНИЕ!  сети не могут использоваться повторно, если ann! = (_ann-1)
    // могут повторно использоваться только после уничтожения последнего ann.
    //========================================================================================================
    int f2M_destroy_all_anns();   
    //удаляет все сети 
    //возврашает:0 при успехе -1 при ошибке
    //========================================================================================================
    int f2M_run(int anndoubleinput_vector[]);
    //Будет запускать вход через нейронную сеть, 
    //возвращая массив выходов, число которых равно числу нейронов в выходном слое.
    //========================================================================================================
    double f2M_get_output(int annint output);
    //возврашает значение выхода сети
    //Output - номер выхода, 0 означает первый выход и так далее...
    //возврашаетЗначение, рассчитанное по сети, при DOUBLE_ERROR ошибки возвращается
    //========================================================================================================
    int f2M_randomize_weights(int anndouble min_weightdouble max_weight);
    //Присвоиваем каждому соединению случайный вес между min_weight и max_weight
    //========================================================================================================
    int  f2M_get_num_input(int ann);
    // количество входных нейронов.
    //========================================================================================================
    int  f2M_get_num_output(int ann);
    // количество выходных нейронов.
    //========================================================================================================
    int f2M_train(int anndoubleinput_vector[], doubleoutput_vector[]);
    // обучает одну итерацию с набором входов и набором требуемых выходов.
    // обучение является инкрементным, поскольку представлен только один шаблон.
    // input_vector - набор входов
    // output_vector - набор выходных данных
    // Возвращает:0 при успехе и -1 при ошибке
    //========================================================================================================
    int f2M_train_fast(int anndoubleinput_vector[], doubleoutput_vector[]);
    // обучает одну итерацию с набором входов и набором требуемых выходов.
    // Хитрость заключается в том, чтобы вызывать внутренние функции fann и избегать вызова fann_run () внутри fann_train ().
    // input_vector - набор входов
    // output_vector - набор выходных данных
    // Возвращает:0 при успехе и -1 при ошибке 
    //========================================================================================================
    int f2M_test(int anndoubleinput_vector[], doubleoutput_vector[]);
    //Тест с набором входов и набором желаемых выходов.Эта операция обновляет среднеквадратичную ошибку, но никак не меняет сеть.
    //========================================================================================================
    //Возврат среднеквадратичной ошибки сети
    double f2M_get_MSE(int ann);
    //========================================================================================================
    int f2M_get_bit_fail(int ann);
    //========================================================================================================
    //Сброс среднеквадратической ошибки сети
    int f2M_reset_MSE(int ann);
    //========================================================================================================
    // Параметры обучения  */
    int f2m_get_training_algorithm(int ann);
    int f2m_set_training_algorithm(int annint training_algorithm);
    //========================================================================================================
    int f2M_set_act_function_layer(int annint activation_functionint layer);
    // Устанавливает функции активации для всех нейронов в слое, количество слоев, считая входного слоя в слой 0.
    // функции активации для нейронов во входном слое. не возможно установить, их вроде не бывает)
    // activation_function – функция активации layer – номер слоя 
    // Возвращает:0 в случае успеха, -1 в случае ошибки
    //========================================================================================================
    int f2M_set_act_function_hidden(int annint activation_function);
    //Устанaвливает функции активации для скрытых слоев.activation_function – функция активации 
    //Возвращает:0 в случае успеха, -1 в случае ошибки
    //========================================================================================================
    int f2M_set_act_function_output(int annint activation_function);
    //Устанавливает функцию активации на выходном слое.activation_function – функция активации 
    //Возвращает:0 в случае успеха, -1 в случае ошибки
    //========================================================================================================
    //Обучение данных */
    int f2M_train_on_file(int annchar &filename[], int max_epochdouble desired_error);
    //========================================================================================================
    //Загрузить сеть из файла путь - путь к файлу .net Возвращает: имя сети ann, -1 при ошибке
    int f2M_create_from_file(char &path[]);
    //========================================================================================================
    //Сохраняет сеть в файл путь к файлу .net Возвращает: имя сети ann, -1 при ошибке
    int f2M_save(int annchar &path[]);
    //========================================================================================================
    // Функции параллельной обработки */
    int f2M_parallel_init();
    int f2M_parallel_deinit();
    int f2M_run_parallel(int anns_countintanns[], doubleinput_vector[]);
    int f2M_train_parallel(int anns_countintanns[], doubleinput_vector[], doubleoutput_vector[]);
    #import

    #define F2M_MAX_THREADS    64
    #define FANN_DOUBLE_ERROR    -1000000000
    #define FANN_LINEAR                     0
    #define FANN_THRESHOLD                    1
    #define FANN_THRESHOLD_SYMMETRIC        2
    #define FANN_SIGMOID                    3
    #define FANN_SIGMOID_STEPWISE           4
    #define FANN_SIGMOID_SYMMETRIC          5
    #define FANN_SIGMOID_SYMMETRIC_STEPWISE 6
    #define FANN_GAUSSIAN                   7
    #define FANN_GAUSSIAN_SYMMETRIC         8
    #define FANN_GAUSSIAN_STEPWISE          9
    #define FANN_ELLIOT                     10
    #define FANN_ELLIOT_SYMMETRIC           11
    #define FANN_LINEAR_PIECE               12
    #define FANN_LINEAR_PIECE_SYMMETRIC     13
    #define FANN_SIN_SYMMETRIC              14
    #define FANN_COS_SYMMETRIC              15
    #define FANN_SIN                        16
    #define FANN_COS                        17

    #define FANN_TRAIN_INCREMENTAL            0
    #define FANN_TRAIN_BATCH                1
    #define FANN_TRAIN_RPROP                2
    #define FANN_TRAIN_QUICKPROP            3

    /* Встроенные строковые версии функций, которые были переопределены из-за строк Unicode*/
    int f2M_create_from_file_string(string path) {
       
    uchar p[];
       
    StringToCharArray(path,p,0,-1,CP_ACP);
       
    int ret=f2M_create_from_file(p);
       return 
    ret;}
       
    int f2M_save_string(int ann,string path) {
       
    uchar p[];
       
    StringToCharArray(path,p,0,-1,CP_ACP);
       
    int ret=f2M_save(ann,p);
       return 
    ret;}

    int f2M_train_on_file_string(int annstring filenameint max_epochdouble desired_error){
       
    uchar f[];
       
    StringToCharArray(filename,f,0,-1,CP_ACP);
       
    int ret=f2M_train_on_file(annfmax_epochdesired_error);
       return 
    ret;} 
    Вот более правильно переведенная

    я тут чуть по умничаю, если ошибусь вы поправьте)
    Fann2MQL.mqh это файлик с функциями, которые используют библиотеку dll #import "Fann2MQL.dll"
    т.е перед вами открываются возможности строить нейро сети ,обучать, и сохранять, все это в мкл

    - - - Добавлено - - -

    Вы не можете благодарить!
    Последний раз редактировалось raboco; 13.10.2019 в 03:27.

  2. #12
    Местный
    Регистрация
    27.12.2018
    Сообщений
    189
    Благодарности
    Получено: 0
    Отправлено: 93
    Что значат эти ошибки
    Изображения Изображения
    • Тип файла: jpg уку.jpg (119.0 Кб, Просмотров: 6)

    Вы не можете благодарить!

  3. #13
    Эксперт
    Регистрация
    16.08.2012
    Адрес
    Челябинск
    Сообщений
    1,935
    Благодарности
    Получено: 714
    Отправлено: 73
    Цитата Сообщение от raboco Посмотреть сообщение
    Что значат эти ошибки
    Берем строчку сообщения из журнала, копируем в буфер обмена, открываем браузер вставляем строчку, редактируем, убирая лишнее,- поиск. Получаем ответ,.. и нет нужды писать по каждому чиху в форум и грузить картинки.

    Вы не можете благодарить!
    Для заказа кода, напишите в личку - я отвечу на ваше предложение.

  4. #14
    Местный
    Регистрация
    27.12.2018
    Сообщений
    189
    Благодарности
    Получено: 0
    Отправлено: 93
    Цитата Сообщение от wayfarer Посмотреть сообщение
    Берем строчку сообщения из журнала, копируем в буфер обмена, открываем браузер вставляем строчку, редактируем, убирая лишнее,- поиск. Получаем ответ,.. и нет нужды писать по каждому чиху в форум и грузить картинки.
    Делал так,не чего не нашел, то что нашел не понял,сейчас еще попытаюсь, третий день воюю, помогите
    запустить эту сеть, я так понял я сперва подумал что запустилась,

    Вы не можете благодарить!

  5. #15
    Эксперт
    Регистрация
    16.08.2012
    Адрес
    Челябинск
    Сообщений
    1,935
    Благодарности
    Получено: 714
    Отправлено: 73
    Цитата Сообщение от raboco Посмотреть сообщение
    третий день воюю, помогите
    Читаем все что связано с "unresolved import function call mt4", например: _https://www.mql5.com/ru/forum/155599

    Вы не можете благодарить!
    Для заказа кода, напишите в личку - я отвечу на ваше предложение.

  6. #16
    Местный
    Регистрация
    27.12.2018
    Сообщений
    189
    Благодарности
    Получено: 0
    Отправлено: 93
    Этот пост читал несколько раз
    Как понимаю проблема может быть в чем угодно, измененная библиотека не совместимость вин7 итд, и решить ее сложно и возможно даже не получится?
    поправте если не так,
    мне нужна сеть, с входами и выходами, с обучалкой итд, можете посоветовать как мне поступить?
    или всеже самому написать в мкл

    Вы не можете благодарить!
    Последний раз редактировалось raboco; 17.10.2019 в 11:32.

  7. #17
    Эксперт
    Регистрация
    16.08.2012
    Адрес
    Челябинск
    Сообщений
    1,935
    Благодарности
    Получено: 714
    Отправлено: 73
    Цитата Сообщение от raboco Посмотреть сообщение
    всеже самому написать в мкл
    К автору библиотеки.

    Вы не можете благодарить!
    Для заказа кода, напишите в личку - я отвечу на ваше предложение.

  8. #18
    Местный
    Регистрация
    27.12.2018
    Сообщений
    189
    Благодарности
    Получено: 0
    Отправлено: 93
    Цитата Сообщение от wayfarer Посмотреть сообщение
    К автору библиотеки.
    С ним на английском мне трудно будет,но это не проблема
    мне кажется, по свежее, другую библиотеку подобрать проще будет
    не обезательно FANN,
    на с++ есть 2018года, сейчас смотрю изучаю что да как
    я как понимаю библиотеки на с++,С# скорее всего подойдут?

    Вы не можете благодарить!

  9. #19
    Эксперт
    Регистрация
    16.08.2012
    Адрес
    Челябинск
    Сообщений
    1,935
    Благодарности
    Получено: 714
    Отправлено: 73
    Цитата Сообщение от raboco Посмотреть сообщение
    библиотеки на с++,С# скорее всего подойдут?
    Это не важно, какой язык был исходным, все равно результат сборки dll - это набор инструкций для Win х86.

    Вы не можете благодарить!
    Для заказа кода, напишите в личку - я отвечу на ваше предложение.

  10. #20
    Местный
    Регистрация
    27.12.2018
    Сообщений
    189
    Благодарности
    Получено: 0
    Отправлено: 93
    В общем сделал перекур, пару недель была суетливой, дочку замуж выдавал,да еще место работы пришлось сменить,по причине того что СТОА где я работал решили снести для постройки магазина,

    Теперь по делу,
    в инете много программ, которые строят нейросети,обучают итд, поэтому не вижу особого смысла работать с библиотеками,
    тем более, что для анализа временных рядов, и классификации, нужно пробовать разные структуры нейросетей
    есть программа для анализа статистика называется, она строит сети, строит автоматическом режиме много разных структур,после выводит результаты
    каждой сети,
    для обучения сети нужно готовить выборку,
    выборка это,(допустим у нас сеть, 4 входа , 1 выход) данные которые подаются на вход, (4 значения)и данные которые должны быть на выходе(1 значение)
    таких выборок должно быть много,
    как правило, это тхт файл, где записаны все данные, через запятую,точку или пробел, у разных прог по разному,

    сейчас стоит задача, вывести и сохранить в файл тхт, определенные данные, то есть ,время,цена ,
    прежде думаю нужно все собрать в массив, ни когда не делал этого, буду пробовать

    Вы не можете благодарить!
    Последний раз редактировалось raboco; 05.11.2019 в 05:11.

Страница 2 из 2 ПерваяПервая 1 2

Ваши права

  • Вы не можете создавать новые темы
  • Вы не можете отвечать в темах
  • Вы не можете прикреплять вложения
  • Вы не можете редактировать свои сообщения
  •