OHLCFormer

NEURAL NETWORKS-Schulungs- und Bewertungstools für die Datenprognose von OHLC (Open-High-Low-Clase).

Ohlcformer bietet eine benutzerfreundliche API für Modellprototypen, Training und Bewertung, um Datenprognoseaufgaben (OHLC) mit Open-High-Low-Clase (OHLC) auszuführen.

Erste Schritte

Hier finden Sie eine Liste der offiziellen Notizbücher.

Notizbuch	Beschreibung
Datenverarbeitung	So werden Sie Ihre Daten vorbereiten und einen Datensatz erstellen.
Modelltraining	So richten und trainieren Sie ein Modell auf Ihrem Datensatz.
Modelle Evaluierung	Wie man Modelle mit OHLCFORMER bewertet.
Protokollierung	So richten und verwenden Sie die Protokollierungskomponenten.

Modellarchitekturen

Ohlcformer bietet derzeit die folgenden Architekturen:

1. FNET (von Google Research) wurde mit dem Papier FNET veröffentlicht: Mischung von Token mit Fourier-Transformationen von James Lee-Thorp, Joshua Ainslie, Ilya Eckstein, Santiago Ontanon.
2. Bert (von Google) wurde mit dem Papier veröffentlicht Bert: Vorausbildung von tiefen bidirektionalen Transformatoren für das Sprachverständnis von Jacob Devlin, Ming-Wei Chang, Kenton Lee und Kristina Toutanova.