LINUX.ORG.RU

практическое использование нейросети

 ,


0

2

Нечего делать, решил изучить простейшую нейросеть на практическом примере. Задача: поддерживать температуру диска в 37 градусов регулируя скорость куллера (PWM 0-1023). Берем простейший пример перцептрона:

import numpy as np

def sigmoid(x):
    return 1/(1 + np.exp(-x))

training_inputs = np.array ([[1,0,0,0],
                            [0,1,1,0],
                            [1,0,1,1],
                            [1,1,0,1]])

training_outputs = np.array([[0],
                             [1],
                             [1],
                             [0]])

np.random.seed(1)
synaptic_weights = 2 * np.random.random((4,1)) - 1

for i in range(100000):
    input_layer = training_inputs
    outputs = sigmoid(np.dot(input_layer, synaptic_weights))

    err = training_outputs - outputs
    adjustments = np.dot(input_layer.T, err * (outputs))
    synaptic_weights += adjustments

print("веса после обучения")
print(synaptic_weights)
print("result")
print(outputs)

берем температуру диска из smartctl и статистику нагрузки

iostat -m
Device             tps    MB_read/s    MB_wrtn/s
sda               4.00         0.00         0.00
...
sda               76.00         0.00        85.50
...
sda               105.00        98.00       0.00

Подставляем это все во входные данные:

training_inputs = np.array ([[37,4,0,0],
                            [39,76,0,85],
                            [38,105,98,0],
                            [37,0,0,0]])
И тупик. Какие выходные значения мне нужно искать и как связать их с оборотами?

Ответ на: комментарий от AntonI

кабы нейросети их могли предсказывать хорошо то все биржи бы позакрывались

Принципиально, нейросеть — это всего лишь математическая модель с большим или очень большим количеством параметров. Она подгоняется под данные, объём которых соотносится с количеством параметров модели, с помощью различных методов регресси: это может быть градиентный спуск или метод ньютона или ещё что-то. Мат модели позволяют нам предсказывать будущее. Ты, как математик, точно лучше меня это понимаешь :)

В теории, если цены фондовом рынке всё же не случайны, то, при достаточном количестве параметров, нейросети их смогут предсказывать, так как могут «анализировать» огромные объёмы информации. Как, например, сейчас они могут предсказывать погоду, да и все видели те удивительные вещи, которые творят языковые и диффузионные модели. Тоже, своего рода, весьма нетривиальная задача — предсказать следующее слово или соседний пиксел, опираясь на контекст.

нейросеть должна предсказывать нагрузку на проц обусловленную в т.ч. работой самой нейросети

Но даже если нейросеть научится предсказывать цены на акции, то как раз, по указанной тобой причине, а именно — обратной связи, фондовому рынку будет суждено адаптироваться, что конечно же, отразится на точности предсказаний и целесообразности применения AI для предсказания цен.

А может быть и так, что уже сегодня они во всю эксплуатируются индустрией. Вот, нашлась какая-то статья, в выдержке которой говорится о точности предсказания в 99% некоторого рыночного индекса: https://www.nature.com/articles/s41598-024-71873-7?fromPaywallRec=false

stabilitron
()
Ответ на: комментарий от stabilitron

В теории, если цены фондовом рынке всё же не случайны, то, при достаточном количестве параметров, нейросети их смогут предсказывать, так как могут «анализировать» огромные объёмы информации.

на рынке давно одни сети играют против других. и обладая примерно одинаковыми стратегиями, не могут выиграть друг и друга. это все равно что 100 команд равной силы роботов играли бы в футбол на одном поле. понятно, что в среднем была бы ничья. а случайность забитых голов и проистекала бы из равенства сил этих команд.

alysnix ★★★
()
Ответ на: комментарий от alysnix

обладая примерно одинаковыми стратегиями

выигрывает тот, у кого больше ресурсов.

И рынок/биржа, как замкнутая система, которая совсем не «вечный двигатель», которая ничего не производит, живет на свежей крови. Не будет свежей крови, схема Понци всхлопнется. Надо предсказывать не внутренние индикаторы, надо предсказывать поступление новых жертв - это внешние индикаторы.

anonymous
()
Ответ на: комментарий от stabilitron

Мат модели позволяют нам предсказывать будущее.

Смотря какие модели смотря в какой области. Модель обсуждаемая в этом треде предсказывать будущую температуру проца может почти что никак. Вообще полезность нейросетей сильно преувеличена - где то они незаменимы, а где то от них толку почти никакого, по сравнению с узкозаточенными решениями.

если цены фондовом рынке всё же не случайны, … нейросети их смогут предсказывать, так как могут «анализировать» огромные объёмы информации. Как, например, сейчас они могут предсказывать погоду,

Не могут они погоду предсказывать. Точнее их предсказания очевидно будут радикально хуже чем у узкозаточенного гидрометеоролического кода работающего на аналогичных вычислительных мощностях. С рынком все сложнее - есть сложные теории описывающие его поведение, есть фирмы которые с этого неплохо живут. Но как там нейросети используют не раскрывается - «кто знает не говорит, а кто говорит не знает». О слишком больших деньгах речь идет.

Но даже если нейросеть научится предсказывать цены на акции, то как раз, по указанной тобой причине, а именно — обратной связи, фондовому рынку будет суждено адаптироваться, что конечно же, отразится на точности предсказаний и целесообразности применения AI для предсказания цен.

Уже больше 10ти лет на рынке торгуют боты, и от бодания этих ботов цены испытывают очень быстрые осцилляции с очень маленькой амплитудой.

AntonI ★★★★★
()
Последнее исправление: AntonI (всего исправлений: 1)
Ответ на: комментарий от AntonI

Не могут они погоду предсказывать. Точнее их предсказания очевидно будут радикально хуже чем у узкозаточенного гидрометеоролического кода работающего на аналогичных вычислительных мощностях.

Очень даже могут: https://en.wikipedia.org/wiki/Weather_forecasting#Artificial_intelligence

These models typically require far less compute than physics-based models.

stabilitron
()
Ответ на: комментарий от stabilitron

«как-то» - ключевое слово;-)

Вона у яндекса есть прогноз погоды, думаете как он работает? Как-то…

Я примерно знаю как работает предсказание погоды/климата (в общих чертах) и какие там сложности. Нейросеть может выдавать ПРАВДОПОДОБНЫЙ результат, не более того. Самое печальное, что мы не можем никогда заранее знать врет она или нет.

AntonI ★★★★★
()
Последнее исправление: AntonI (всего исправлений: 1)
Ответ на: комментарий от stabilitron

Основная проблема в таких вещах (если интересно) - т.н. динамический хаос. Входные данные для моделирования неточны, метеостанции стоят на каком то расстоянии друг от друга, что между ними происходит неизвестно. Если бы даже у нас была абсолютно точная модель климата (чего нет - она весьма приближенная) то мы бы все равно не смогли задать для нее начальные условия.

Погрешности в начальных условиях очень быстро накапливаются, т.н. эффект бабочки - бабочка где то крылышком махнула а в 100 милях случился ураган. Не махнула бы - ураган бы все равно случился, но чуть раньше/позже/немного не там. Я не помню конкретных цифр, но для точного предсказания погоды на неделю что ли в масштабах планеты нужно воткнуть метеостанцию в каждый кубометр атмосферы.

Теперь берем нейросеть и учим ее. Она бол-мен будет давать что то правдоподобное в типовых сценариях, но когда она врет непонятно. Тот же ураган, поскольку это уже нифига не типовой сценарий, она будет предсказывать хуже чем физическая модель. Грубо говоря она скажет что ой - ураган, когда его уже видно будет невооруженным взглядом. Как тот заяц который погоды предсказывает - если с зайца капает значит идет дождь;-)

AntonI ★★★★★
()
Ответ на: комментарий от AntonI

Про ураганы, кстати, тоже недавно статью видел, где говорили, что ИИ точнее предсказывает, чем физическая модель.

Вообще, конечно же, я тебе верю и наверняка у тебя опыта больше. Но надо признать, что и современные прогнозы, основанные на физических моделях, тоже частенько ошибаются и порой даже в рамках прогноза на 1 день.

Кроме метеостанций сейчас ещё плотно используются спутниковые данные и их становится всё больше и сами данные становятся точнее. Ещё я подозреваю, что добавить в нейромодель какой-то очередной источник данных проще, с точки зрения теории, чем в физическую модель. Отсюда, вероятно, и такая популярность темы у IT-гигантов.

stabilitron
()
Ответ на: комментарий от stabilitron

современные прогнозы, основанные на физических моделях, тоже частенько ошибаются и порой даже в рамках прогноза на 1 день.

Конечно ошибаются, не ошибается только тот кто ничего не делает. Но бонус физической модели (сделанной прямыми руками и работающей с нормальными входными данными) - мы чаще (чем нейросеть) можем сказать когда она врет. Как правило чаще;-)

Популярность нейросетей КМК связано с двумя вещами:

  1. низкий порог вхождения. Любой @Obezyan может для любой заадчи че то наговнякать за полчаса и ходить гоголем, обсирая на ЛОРе тех кто этим всю жизнь занимается. Качество такого моделирования будет хуже чем никакое, но пипл схавает. Т.е. да - напихать в нейросетевую модель новых данных проще чем куда бы то ни было.

  2. банальны хайп, основанный в т.ч. на действительно выдающихся успехах нейросетей в некоторых областях.

AntonI ★★★★★
()