【广发金工】2024精选深度报告系列之四:基于卷积神经网络的ETF...
我们团队于近期发布过《基于卷积神经网络的股价走势AI识别与分类》等深度学习研究报告,为了克服时序模型对序列数据建模的不足,探究了使用卷积神经网络对图表化的价量数据与未来股价进行建模,样本外跟踪至今仍旧有相对稳定的市场表现。ETF产品相比于普通基金,可以于交易时间内确认交易,具备相对更好的交易便利性,相比于股票...
GPU上运行速度比现有模型快3-7倍,IU团队使用全卷积神经网络测序
另一方面,PredFull采用的卷积神经网络(CNN)架构进行完整的MS/MS谱预测,展示了CNN学习MS/MS谱中复杂模式的优势。因此,IU的研究人员开发了一种名为PepNet的深度学习模型,与之前的方法相比,该模型显著提高了串联质谱从头肽测序的性能。图:PepNet的神经网络架构。(来源:论文)研究人员首先证明PepNet...
【深度学习】6种卷积神经网络压缩方法
可以看到的是权重二值化神经网络(BWN)和全精度神经网络的精确度几乎一样,但是与异或神经网络(XNOR-Net)相比而言,Top-1和Top-5都有10+%的损失。相比于权重二值化神经网络,异或神经网络将网络的输入也转化为二进制值,所以,异或神经网络中的乘法加法(MultiplicationandACcumulation)运算用按位异或(bit...
量化专题 · 几种神经网络模型预测效果对比及简析
可以看到在层数少于卷积神经网络的情况下,循环神经网络的总参数数量接近翻倍。从结果来看单步单层线性模型预测的效果最差。将单步单层线性模型踢出以方便观测其他模型预测的误差情况,可以看到预测效果最好的是多步线性模型,其次为卷积神经网络。其中属于循环神经网络的LSTM模型预测效果在验证集和预测集差异较大。我们通过...
TextCNN(卷积神经网络用于文本)
TextCNN是一种用于文本分类的卷积神经网络(CNN)模型,由YoonKim在2014年提出。它通过将卷积神经网络应用于自然语言处理任务,特别是文本分类,有效地捕捉了文本中的局部特征。一、主要特点1.词嵌入(WordEmbedding):将词汇映射到高维空间中的向量,这些向量能够捕捉词汇的语义信息。2.卷积层(ConvolutionalLayer)...
CNN卷积+Transformer打造DETR视觉模型
CNN卷积+Transformer打造DETR视觉模型卷积神经网络(ConvolutionalNeuralNetwork,CNN)是一种深度学习模型,主要通过在输入数据上应用卷积操作和池化操作来提取特征,然后通过全连接层进行分类或回归任务(www.e993.com)2024年10月23日。CNN在图像识别、目标检测和语义分割等任务中取得了巨大成功。
机器视觉毕业设计 基于深度学习的动物识别
如今,深度学习技术已经相对成熟,在对目标进行特征提取方面,卷积神经网络技术逐渐取代了传统的图像处理技术,并且在人类的生产生活中得到了广泛应用,这为研究野生动物更高效的识别方法奠定了基础。2.2常用的网络模型图像识别是指对原始图像进行整体分析来达到预测原始图像所属类别的技术。计算机视觉领域中对图像识别...
入选ICML!人大团队将等变图神经网络用于靶蛋白结合位点预测,性能...
就在近日,中国科学院团队开发了一种深度学习模型DeepGlycanSite,能够准确预测给定蛋白质结构上的糖结合位点。DeepGlycanSite将蛋白质的几何和进化特征融入基于Transformer架构的深度等变图神经网络中,其性能显著超越了之前的先进方法,并能有效预测各种糖类分子的结合位点。
科学家为脉冲神经网络引入新架构,为未来基于神经形态网络的超大...
例如,在神经网络架构方面,目前绝大多数神经形态计算的应用,都围绕脉冲卷积神经网络(ConvolutionalNeuralNetwork,CNN)展开,当前的神经形态芯片也只能支持脉冲CNN。相比之下,传统深度学习早已借助Transformer架构,在各种任务上取得了巨大突破。而直到该团队提出一系列Spike-drivenTransformer模型之后,神经形态计算领域...
大模型基础架构的变革:剖析Transformer的挑战者(中)
UniRepLKNet是由腾讯和香港中文大学联合发布的一种基于大核卷积神经网络(CNN)的大模型基础架构。UniRepLKNet采用大核CNN,可以处理多种模态的数据,如图像、音频、时序预测等。UniRepLKNet提出了四条指导原则,用于设计大核CNN架构,同时采用硬件感知的并行算法,成功实现了在多种模态上的最先进性能,并在超大数据的时序预...