1. ONNX模型中使用的新数据类型为了加快计算速度，一些模型使用精度较低的数据类型，如Float16甚至Float8。添加了对这些新数据类型的支持，以便与MQL5语言中的ONNX模型一起使用，从而允许操作8位和16位浮点表示。脚本输出ENUM_ONNX_DATA_TYPE枚举的完整元素列表。//+------------------------------------------------------------------+//| ONNX_Data_Types.mq5 |//| Copyright 2024, MetaQuotes Ltd. |//| https://www.mql5.com |//+------------------------------------------------------------------+#property copyright "Copyright 2024, MetaQuotes Ltd."#property link "https://www.mql5.com"#property version "1.00"//+------------------------------------------------------------------+//| Script program start function |//+------------------------------------------------------------------+void OnStart() {//--- for(int i=0; i<21; i++) PrintFormat("%2d %s",i,EnumToString(ENUM_ONNX_DATA_TYPE(i))); }输出： 0: ONNX_DATA_TYPE_UNDEFINED 1: ONNX_DATA_TYPE_FLOAT 2: ONNX_DATA_TYPE_UINT8 3: ONNX_DATA_TYPE_INT8 4: ONNX_DATA_TYPE_UINT16 5: ONNX_DATA_TYPE_INT16 6: ONNX_DATA_TYPE_INT32 7: ONNX_DATA_TYPE_INT64 8: ONNX_DATA_TYPE_STRING 9: ONNX_DATA_TYPE_BOOL10: ONNX_DATA_TYPE_FLOAT1611: ONNX_DATA_TYPE_DOUBLE12: ONNX_DATA_TYPE_UINT3213: ONNX_DATA_TYPE_UINT6414: ONNX_DATA_TYPE_COMPLEX6415: ONNX_DATA_TYPE_COMPLEX12816: ONNX_DATA_TYPE_BFLOAT1617: ONNX_DATA_TYPE_FLOAT8E4M3FN18: ONNX_DATA_TYPE_FLOAT8E4M3FNUZ19: ONNX_DATA_TYPE_FLOAT8E5M220: ONNX_DATA_TYPE_FLOAT8E5M2FNUZ因此，现在可以执行使用此类数据的ONNX模型。此外，在MQL5中，还添加了用于数据转换的附加函数：bool ArrayToFP16(ushort &dst_array[],const float &src_array[],ENUM_FLOAT16_FORMAT fmt);bool ArrayToFP16(ushort &dst_array[],const double &src_array[],ENUM_FLOAT16_FORMAT fmt);bool ArrayToFP8(uchar &dst_array[],const float &src_array[],ENUM_FLOAT8_FORMAT fmt);bool ArrayToFP8(uchar &dst_array[],const double &src_array[],ENUM_FLOAT8_FORMAT fmt);bool ArrayFromFP16(float &dst_array[],const ushort &src_array[],ENUM_FLOAT16_FORMAT fmt);bool ArrayFromFP16(double &dst_array[],const ushort &src_array[],ENUM_FLOAT16_FORMAT fmt);bool ArrayFromFP8(float &dst_array[],const uchar &src_array[],ENUM_FLOAT8_FORMAT fmt);bool ArrayFromFP8(double &dst_array[],const uchar &src_array[],ENUM_FLOAT8_FORMAT fmt);由于16位和8位的浮点格式可能不同，转换函数中的“fmt”参数必须指定需要处理的数字格式。对于16位版本，将使用新的ENUM_FLOAT16_FORMAT枚举，该枚举当前具有以下值：
! e! E0 J' o5 \: z1 Y. X8 v! Z5 gFLOAT_FP16 - 标准的16位格式，也称为半浮点。0 f1 `: p2 c) t, T
FLOAT_BFP16 - 特殊的脑浮点浮点格式。% L1 i! @. g g* q: k9 U. b" Z
对于8位版本，将使用新的ENUM_FLOAT8_FORMAT枚举，该枚举当前具有以下值：+ A; y/ a" F2 d4 z
FLOAT_FP8_E4M3FN—8位浮点数、4位指数和3位尾数。通常用作系数。
( n% y- h! u% G/ e! Y V6 G' sFLOAT_FP8_E4M3FNUZ—8位浮点数、4位指数和3位尾数。支持NaN，不支持负零和Inf。通常用作系数。
0 Z7 w" e7 F3 a- [" _ j6 U kFLOAT_FP8_E5M2FN — 8位浮点数、5位指数和2位尾数。支持NaN和Inf。通常用于梯度。4 B& Y; O$ R7 S0 Z9 H
FLOAT_FP8_E5M2FNUZ — 8位浮点数、5位指数和2位尾数。支持NaN和Inf，不支持负零。也用于梯度。# H6 Y/ I! _8 E9 Y3 O* W7 T
1.1. FP16格式FLOAT16和BFLOAT16格式是用于表示浮点数的数据类型。FLOAT16，也称为“半精度浮点”格式，使用16位表示浮点数。这种格式提供了精度和计算效率之间的平衡。FLOAT16广泛用于深度学习和神经网络，在处理大量数据时需要高性能。这种格式允许通过减少数字的大小来加速计算，这在图形处理单元（GPU）上训练深度神经网络时尤为重要。BFLOAT16（或 脑浮点16）也使用16位，但它与FLOAT16的不同之处在于表示数字的方式。在这种格式中，8个比特被分配用于表示指数，其余7个比特用于表示尾数。这种格式是为用于深度学习和人工智能而开发的，尤其是在谷歌张量处理单元（Tensor Processing Unit，TPU）处理器中。BFLOAT16在训练神经网络时提供了良好的性能，并且可以有效地用于加速计算这两种格式都有其优点和局限性。FLOAT16提供了更高的精度，但需要更多的资源用于存储和计算。另一方面，BFLOAT16在处理数据时提供了更高的性能和效率，但可能不那么精确。
}3 i( n5 c3 ?: c0 E
$ g% n: c# ^" a- w! l! c; w
添加图片注释，不超过 140 字（可选）图 1. 浮点数字FLOAT16和BFLOAT16的位表示格式0 |& W5 m% s. P% e( ~; f
% l8 H4 y4 A* }7 L
添加图片注释，不超过 140 字（可选）
6 l7 `" O2 Z) a( [6 Y( H# W+ h表 1. FLOAT16格式的浮点数字; |9 ?* Z3 \5 `8 |0 H( Q
1.1.1. FLOAT16 ONNX Cast 运算符的执行测试作为示例，让赫兹量化交易软件考虑将FLOAT16类型的数据转换为float和double类型的任务。带有Cast操作的ONNX模型：
6 p. U$ Y: _8 R, a
添加图片注释，不超过 140 字（可选）/ ?3 v2 _" v3 ^$ \
图 2. 模型 test_cast_FLOAT16_to_DUBLE.onnx 的输入和输出参数7 ]8 |& H4 j+ Q! {
- h8 q+ d, D8 e
添加图片注释，不超过 140 字（可选）' f$ w6 L% g. ~+ w7 u
图 3. 模型 test_cast_FLOAT16_to_FLOAT.onx 的输入和输出参数
3 A+ }5 V* f F7 ?从ONNX模型的属性描述中可以看出，输入需要ONNX_data_type_FLOAT16类型的数据，并且模型将返回ONNX_data_type_FLOAT格式的输出数据。要转换这些值，赫兹量化交易软件将使用带有FLOAT_FP16参数的函数ArrayToFP16（）和ArrayFromFP16（）。 | 
|手机版|Archiver|
( 桂ICP备12001440号-3 )|网站地图
发表于 2024-4-17 08:32:35