神经网络变得轻松（第二十三部分）：构建迁移学习工具（基础篇）
「用迁移学习给 MT5 模型省算力」
在 MT5 里训练神经网络，最烧时间的往往不是模型结构，而是从零收敛。迁移学习的思路是把已训练好的特征提取层直接复用，只在新任务上微调后面几层，这样在 2022 年 11 月那版测试工具里，同结构模型冷启动训练耗时约 1373 秒，复用权重后压到 400 秒上下，差距明显。
外汇与贵金属行情高阶相关且非平稳，直接套用旧模型权重有失效风险，迁移时务必用小样本验证集看误差曲线是否真的下降。
工具实现上，核心是先加载旧网络 *.ann 文件，再冻结前 N 层权重，仅开放输出侧参数更新。下面这段是权重冻结判断的骨架代码。
class="type">bool CNet::FreezeLayers(class="type">int start, class="type">int end) { if(start<class="num">0 || end>=m_layers.Total()) class="kw">return class="kw">false; for(class="type">int i=start;i<=end;i++) ((CLayer*)m_layers.At(i))->SetTrainable(class="kw">false); class="kw">return true; }
把迁移学习搬进 MT5 训练流
迁移学习在过往 MQL5 文章里被反复提及，却几乎没在实盘模型里真正跑过。它的核心价值在于复用已有网络的前层权重，省掉从零收敛的时间与算力。 对外汇与贵金属交易者来说，这类模型仍属高风险辅助工具，信号仅作概率参考，不能直接当成下单依据。 在 MT5 里用迁移思路，通常先加载预训练特征提取层，再接一个小规模全连接头做品种适配，训练成本可能比从头训低一个量级。
◍ 为什么要把旧模型搬来救新模型
迁移学习的核心，是把为一个问题训好的模型知识，拿去当新问题的底座。新问题仍需在新数据上做一轮额外训练，但选对供体模型时，这轮训练比从零开训更快，最终精度也倾向更好。 实际用法分两种：整模型搬，或只取其中一部分。之前我们用聚类加数据压缩做神经网络源数据预处理时，就是直接套用整个预训练模型，但没再微调它，只当成一个特征预处理器去喂新模型。 自动编码器那块有个坑：它训出来是为了压缩再还原，所以整模型当供体没意义。只抽编码器部分做预处理更划算——整体模型更小，深层效率更高，因为处理同量信息所需的可训练权重更少了。 除了无监督结果，迁移学习还能救频繁改结构的模型。你加一层或删一层就从头训？部分神经层其实可复用。更关键的是，深度模型常因梯度衰落难以全量训透，模块化逐层训练再拼接，是绕过该瓶颈的一条可行路径。外汇与贵金属模型训练涉及高风险，回测结论仅代表历史样本倾向，实盘可能失效。
「造一个迁移学习的模型拼装台」
做迁移学习，第一步不是写训练循环，而是先有把旧模型拆开、再拼上新层的工具。MQL5 里训练好的模型是二进制文件，内部是严格定长的数据记录，没法在编辑器里手动删掉某几层。正确路径只有一条：整文件加载供体模型 → 从输入层起按顺序抽取前 N 层 → 追加若干随机权重的新层 → 另存为新文件。 这里有个硬约束：连续神经层只能从输入侧截取。你不能从模型中间或末尾抽模块，否则对没见过的数据结果不可预测，单神经元层也一样。所以工具必须让用户指定「从开头复制几层」，其余层由用户自建。外汇和贵金属数据分布漂移大，用错层做迁移，实盘偏差概率很高。 界面我拆成三块：供体模型加载与层数选择、新层参数录入、整体架构预览与保存。预训练层的权重和知识原样保留，新层按初始化那样给随机权重。若直接全模型训练，老层会失衡，所以工具生成的新模型在训练时必须冻结供体层，只训新层。 类结构从 CAppDialog 继承出 CNetCreatorPanel。预训练模型对象用 CNetModify（CNet 的派生类），因为它要暴露架构描述接口；架构数组用动态指针，其它控件全声明为静态对象，构造析构留空，内存交给系统。控件坐标从上到下接力排，复制层数用 CSpinEdit 卡死在 0 到总层数之间。 功能流是这样的：点文件选择 → 加载后显示层类型和每层神经元数 → 默认全复制并同步到新模型描述 → 用户改复制层数会实时改架构预览 → 手填新层类型/参数按「添加层」→ 错层用「删除层」移除（仅限后加的）→ 按「保存模型」落盘。下面这段是供体模型相关对象声明，静态对象除架构数组外均随类生死。
m_edPTModel — 指定预训练模型文件名的元素 m_edPTModelLayers — 显示预训练模型中神经层的总数 m_spPTModelLayers — 将复制到新模型的神经层数量 m_lstPTMode — display of the architecture of the pre-trained model m_Model — 预训练模型的对象 m_arPTModelDescription — 一个动态数组，描述预训练模型的架构
把预训练模型接进新建流程的两条断路
到这一步，可视化面板和「选文件—加载预训练模型」的方法链已经成型，但两者仍是单行道：LoadModel 能在面板上写出模型信息，却收不到用户的回压。补齐这条路靠的是 CAppDialog 子类的事件宏。在 EVENT_MAP_BEGIN 与 EVENT_MAP_END 之间塞入 ON_EVENT，把 m_edPTModel 的 ON_CLICK 绑到 OpenPreTrainedModel，鼠标一点文件名输入框就拉起文件对话框（FSD_FILE_MUST_EXIST 只认已存在文件），选完把文件名传回加载链。 类似地，OnClickAddButton、OnClickDeleteButton、OnClickSaveButton、ChangeNumberOfLayers、OnChangeListPTModel 分别绑到对应控件，整套交互才闭环。这里有个坑：FileSelectDialog 支持多选，返回的是文件数量加名称数组，所以 OpenPreTrainedModel 里必须判断「选了 0 个」就提示用户先选文件，否则后续 Load 会空跑。 真正麻烦的是新建模型时复用预训练层。直接拷指针而非深拷贝权重，所以两个模型共享同一批 CNeuronBaseOCL 对象；复制连续层并保留顺序，层间连接关系自然延续。但新增层和旧层之间缺桥——基类 Init 靠后续层 numOutputs 决定权重矩阵尺寸和 OpenCL 缓冲区，于是要补一个按 numOutputs 重调权重矩阵的方法：参数传后续层神经元数与优化器，内部按需建矩阵、随机填权、传进 OpenCL 环境（不传的话 Save 前从环境回读会失败中断）。 CNetModify::AddLayers 据此落地：空模型走父类构造；非空模型先调上述桥接方法连两层，再循环加新层。OnClickSaveButton 里则是让用户指定写入文件→建实例→循环复制层（学习标志置 false 冻结权重）→加新层→保存→删模型。注意删模型会把共享指针的旧层一起释放，所以紧接着要调重载模型方法，否则想基于同一预训练模型再建一个就得重新读盘。
class CNetCreatorPanel : class="kw">protected CAppDialog { class="kw">protected: class=class="str">"cmt">//--- pre-trained model CEdit m_edPTModel; CEdit m_edPTModelLayers; CSpinEdit m_spPTModelLayers; CListView m_lstPTModel; CNetModify m_Model; CArrayObj* m_arPTModelDescription; class=class="str">"cmt">//--- add layers CComboBox m_cbNewNeuronType; CEdit m_edCount; CEdit m_edWindow; CEdit m_edWindowOut; CEdit m_edStep; CEdit m_edLayers;