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, }' |" V s7 M
FLOAT_FP16 - 标准的16位格式，也称为半浮点。
% H$ m6 T8 q- j8 pFLOAT_BFP16 - 特殊的脑浮点浮点格式。
6 ~3 Q# _: V1 J: O T+ U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：
1 E, q9 p: ?; c" M. w0 j/ MFLOAT_FP8_E4M3FN—8位浮点数、4位指数和3位尾数。通常用作系数。
: A6 [) ~& K7 C& FFLOAT_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。
3 V* x/ g& z% Q, [/ m" Q$ U8 xFLOAT_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。6 @: A4 O/ R9 c$ ^ E8 r- \
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。
1 Z0 F- c5 q/ a- @4 f1.1. 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 L; }& m" h6 e2 ]- q6 v5 @( ^
' T" G( S8 t6 y$ r* v
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
1 L* T+ d1 e M
# Z. i( c! Z- I2 W
添加图片注释，不超过 140 字（可选）) |( g5 s6 n; B8 m* ~
表 1. FLOAT16格式的浮点数字
4 U2 h3 j; N( g1.1.1. 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：) p/ J; j5 L( U+ E6 N
添加图片注释，不超过 140 字（可选）& _: ?8 s M7 J7 X( n: Y& T
图 2. 模型 test_cast_FLOAT16_to_DUBLE.onnx 的输入和输出参数
% V+ A2 c! g3 B# ~1 Q
; k, n! I0 A9 j3 J+ i" J) O! P
添加图片注释，不超过 140 字（可选）
8 s% z' G' I; o6 m$ T) @图 3. 模型 test_cast_FLOAT16_to_FLOAT.onx 的输入和输出参数& I. C2 p. s" h. a. b9 D& l7 l
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