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：) A6 H' f4 b4 i/ w
FLOAT_FP16 - 标准的16位格式，也称为半浮点。5 |: z+ _* G# r) u
FLOAT_BFP16 - 特殊的脑浮点浮点格式。
( l9 h3 s( r& _4 c$ v: j% e% [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：; M& x- X+ B: W3 G+ t
FLOAT_FP8_E4M3FN—8位浮点数、4位指数和3位尾数。通常用作系数。
) x# z8 x% \5 c! L% nFLOAT_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。2 M/ F5 X* z3 [+ o; E0 Z
FLOAT_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。( L- t8 C1 v' K! V8 a% 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。# K3 D5 X! M) `6 D+ u
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。
/ U2 U% f8 K/ v: i2 d3 H; Y7 [9 Q
1 g, g! O8 d3 M8 I
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9 P! k. S5 _' Z E* Q
# K/ u) \ L7 D. |4 r8 c% ]
添加图片注释，不超过 140 字（可选）. U* T; a1 j) L9 |4 e
表 1. FLOAT16格式的浮点数字
' y$ Y, r+ I. P0 N+ ]- f1 b0 n8 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：
7 x; A2 u- o8 p- Q" R
添加图片注释，不超过 140 字（可选）7 Q# q' K7 k5 X2 ~) v4 M: ?
图 2. 模型 test_cast_FLOAT16_to_DUBLE.onnx 的输入和输出参数0 t' w: h. }! b$ Y
1 t; k& ?/ t) [# n7 ?
添加图片注释，不超过 140 字（可选）
0 @2 y1 Y$ ^0 @% V& b% z: ]图 3. 模型 test_cast_FLOAT16_to_FLOAT.onx 的输入和输出参数5 M% l5 C+ ]# U( A5 x7 D
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