1

我最近开始使用 pybrain 库来解决使用神经网络的分类问题，并通过一些努力和文档使其工作。

现在，我想使用同一个库中的黑盒优化算法，但不适用于分类。

基本上，我试图从 Randy 的博客http://www.randalolson.com/2015/02/03/heres-waldo-computing-the-optimal-search-strategy-for-finding-waldo/中复制一些结果。

因此，作为第一步，我使用以下代码段构建了监督数据集：

ds = SupervisedDataSet(2, 2)
for row in range(len(waldo_df)):
    ds.addSample(inp=waldo_df.iloc[row][['Book', 'Page']], target=waldo_df.iloc[row][['X', 'Y']])
return ds

现在，数据集中的一个样本如下所示：

ds.getSample()
[array([ 5.,  8.]), array([ 3.51388889,  4.31944444])]

在下一步中，我想使用 HillClimber 算法找到最佳路径：

ef = ds.evaluateModuleMSE
init_value = ds.getSample()
learner = HillClimber(evaluator=ef, initEvaluable=init_value, minimize=True)
learner.learn()

我得到的异常：

/Users/maestro/anaconda/lib/python2.7/site-packages/pybrain/datasets/supervised.pyc in evaluateModuleMSE(self, module, averageOver, **args)
 96         res = 0.
 97         for dummy in range(averageOver):
 ---> 98             module.reset()
 99             res += self.evaluateMSE(module.activate, **args)
100         return res/averageOver

AttributeError: 'numpy.ndarray' object has no attribute 'reset'

有人可以帮我弄清楚我做错了什么吗？这方面的文档非常稀少，甚至搜索代码库也无济于事。

谢谢

PS如果我正确阅读API

class pybrain.optimization.HillClimber(evaluator=None, initEvaluable=None, **kwargs)

最简单的随机搜索：健身景观中的爬山。

优化算法只需要采用评估器，在我的情况下是 ds.evaluateModuleMSE

更新

整个代码片段是：

 import pandas as pd
 from pybrain.optimization import HillClimber
 from pybrain.datasets import SupervisedDataSet
 waldo_df = pd.read_csv('whereis-waldo-locations.csv')
 ds = SupervisedDataSet(2, 2)
 for row in range(len(waldo_df)):
   ds.addSample(inp=waldo_df.iloc[row][['Book', 'Page']],     target=waldo_df.iloc[row][['X', 'Y']])
 learner = HillClimber(evaluator=ds.evaluateModuleMSE,    initEvaluable=ds.getSample(), minimize=True)
4

0 回答 0