h?xml version="1.0" encoding="UTF-8"?
張騰訊：自我學習進化的高級算法EA—卷積神經(jīng)
原創(chuàng)：張大白么么噠EA海峰社
<img src="https://s2.ax1x.com/2019/11/04/KzBoSe.jpg" alt="KzBoSe.jpg" border="0" />
由達爾文提出自然演化理論認為，有機體的遺傳物質中一個隨機的微小變化將為它在野外生存帶來優(yōu)勢或劣勢。如果生物體的突變有利于其存活和繁殖，那么這種突變就得以傳遞牲平。反之铐刘，這種突變就會與有機體一起死亡或滅絕物蝙。
在算法世界中棚品，這被稱為神經(jīng)演化（neuroevolution）。人工神經(jīng)網(wǎng)絡復制的是學習個別概念的過程英岭，而神經(jīng)演化則試圖重建構建大腦的過程—只有強者（或適者）生存的過程。
一湿右、谷歌大腦：模仿自然演化诅妹，培養(yǎng)高性能后代算法
如果算法看成是馬。
馬在它們一生中都會學習毅人，但人類只會評估它們的幾個不同的指標
比如跑得有多快吭狡。圖像識別的準確率作為單個的數(shù)字，很容易評估丈莺，就像馬在馬場上跑一圈需要花費多少時間划煮。
但是，是什么讓馬跑得更快缔俄？
這個問題的答案實際上復雜得令人難以置信——這涉及一個龐大的 DNA 網(wǎng)絡弛秋，它要控制肌肉生長器躏，讓馬擁有更高的耐力，甚至是智力蟹略。這種復雜性可以類比為算法的基本參數(shù)登失，或者說算法在圖像識別時結果好（或壞）的原因。
在研究中科乎，Google 團隊生成了 1000 個圖像識別算法壁畸，這些算法使用現(xiàn)代深度神經(jīng)網(wǎng)絡進行訓練，目標是要識別出特定的圖像集茅茂。
然后捏萍，研究人員使用 250 臺計算機，每臺計算機選擇兩種算法空闲，讓這些算法識別圖像來測試算法的準確率令杈。具有較高精確度的算法存活下來，而表現(xiàn)較差的算法則被“殺死”碴倾。
Google 的研究人員發(fā)現(xiàn)逗噩，神經(jīng)演化能夠以 94.6% 的精度培養(yǎng)一個算法，并且他們后來進行的四次重復驗證中跌榔，都得到類似（但不相同）的結果异雁。改善算法圖像識別能力的突變得到獎勵（也就是存活下來），而降低性能的突變則被淘汰——就像在大自然中發(fā)生的一樣僧须。
二纲刀、在線學習EA：卷積神經(jīng)算法
如果將谷歌算法引入EA，會產(chǎn)生什么樣的效果担平？
這是非常多的人感興趣的示绊，經(jīng)過多位行業(yè)頂尖高手聯(lián)手研發(fā)，終于有了目前的能夠自我學習的EA—卷積神經(jīng)暂论。
卷積神經(jīng)網(wǎng)絡是一類包含卷積計算且具有深度結構的前饋神經(jīng)網(wǎng)絡面褐，是深度學習的代表算法之一 。卷積神經(jīng)網(wǎng)絡具有表征學習能力取胎，能夠按其階層結構對輸入信息進行平移不變分類展哭，因此也被稱為“平移不變?nèi)斯ど窠?jīng)網(wǎng)絡。
第一層卷積層的卷積核的目的是識別特征扼菠，他們識別像曲線和邊這樣的低層次特征摄杂。
<img src="https://s2.ax1x.com/2019/11/04/Kzrd8U.jpg" alt="Kzrd8U.jpg" border="0" />
但可以想象，如果想預測一個圖片的類別循榆，必須讓網(wǎng)絡有能力識別高層次的特征析恢，例如手、爪子或者耳朵秧饮。讓我們想想網(wǎng)絡第一層的輸出是什么映挂。
假設我們有5個5 × 5 × 3的卷積核泽篮，輸入圖像是32 × 32 × 3的，那么我們會得到一個28 × 28 × 5的數(shù)組柑船。
第二層卷積層帽撑，第一層的輸出便成了第二層的輸入。這有些難以可視化鞍时。第一層的輸入是原始圖片亏拉，可第二層的輸入只是第一層產(chǎn)生的激活圖，激活圖的每一層都表示了低層次特征的出現(xiàn)位置逆巍。
如果用一些卷積核處理它及塘，得到的會是表示高層次特征出現(xiàn)的激活圖。這些特征的類型可能是半圓（曲線和邊的組合）或者矩形（四條邊的組合）锐极。隨著卷積層的增多笙僚，到最后，你可能會得到可以識別手寫字跡灵再、粉色物體等等的卷積核肋层。
當網(wǎng)絡越來越深，卷積核會有越來越大的相對于輸入圖像的感知域翎迁。這意味著他們有能力考慮來自輸入圖像的更大范圍的信息栋猖。
我們?nèi)祟惪梢酝ㄟ^一些與眾不同的特征來識別圖片，比如狗狗的爪子和狗有四條腿汪榔。同樣地掂铐，電腦也可以通過識別更低層次的特征（曲線，直線）來進行圖像識別揍异。電腦用卷積層識別這些特征，并通過更多層卷積層結合在一起爆班，就可以像人類一樣識別出爪子和腿之類的高層次特征衷掷，從而完成任務。
三柿菩、卷積神經(jīng)算法EA
目前國內(nèi)絕大多數(shù)人用的都第三代算法戚嗅，經(jīng)過EA專家的開發(fā)，采用策略程序化的方式運行枢舶，
但此EA產(chǎn)品更新時間周期長懦胞，一旦使用人數(shù)過多，此策略出現(xiàn)失效的概率會很大凉泄。
第四代算法基于在線的學習躏尉，針對39個標準品種，在復雜基于投資組合原理而計算出的倉位調配后众，以期取得最佳表現(xiàn)胀糜。
通過不斷的在線學習颅拦，讓卷積神經(jīng)有了超越絕大多數(shù)第三代EA算法的能力，在低回撤的前提下教藻，也能做到不錯的月收益距帅。
其中核心團隊成員：
need-to-insert-img
EA智能專家，金融學博士括堤，專注于數(shù)據(jù)挖掘碌秸，畢業(yè)于ATU大學
數(shù)理統(tǒng)計專家，數(shù)學博士悄窃，專注于算法統(tǒng)計畢業(yè)于UPMC大學
人工智能模型識別專家讥电，理學碩士，專注于圖像和模型識別广匙，畢業(yè)于清華大學
EA代碼編寫專家允趟，計算機碩士，EA代碼編寫鸦致，畢業(yè)于電子科學技術大學
四潮剪、合作對象
由于神經(jīng)卷積算法需要耗費大量的算力，購買多臺高端設備用于學習分唾。因此抗碰，特招募高凈值合作客戶，合作產(chǎn)生技術方收益用于設備購買绽乔，人員開支等弧蝇，資金方也可以在承受一定風險情況下獲取不錯的收益。
合作對象：
1.3萬美金以上凈值客戶
2.愿意承受一定風險的群體折砸，最大回撤在10%以內(nèi)
3.簽訂合作合同看疗，承諾不將賬戶泄露給除自身以外任何的對象
4.滿足上述條件者，可以加添加下方微信睦授，詳細了解两芳。
張騰訊：自我學習進化的高級算法EA—卷積神經(jīng)
原創(chuàng)：張大白么么噠 EA海峰社
一录粱、谷歌大腦：模仿自然演化坚弱，培養(yǎng)高性能后代算法
二嗜历、在線學習EA：卷積神經(jīng)算法
三、卷積神經(jīng)算法EA
四呕诉、合作對象
need-to-insert-img
