0

我如何训练一个有多个输入和输出节点并且都是实值的感知器？

我这样做是因为我想训练一个神经网络来预测给定一些数据点（来自信号）的 MFCC。

这是一个示例数据： http: //pastebin.com/dtHGUeax 我不会把数据放在这里，因为文件是“大”的。

我目前正在使用 nolearn，因为稍后我将添加更多层用于深度学习。

net = NeuralNet(
    layers=[('input', layers.InputLayer),
            ('output', layers.DenseLayer),
            ],

    # Layer parameters
    input_shape=(None, 256),
    output_nonlinearity=lasagne.nonlinearities.softmax,
    output_num_units=13,

    # Optimization
    update=nesterov_momentum,
    update_learning_rate=0.01,
    update_momentum=0.9,

    regression=True,
    max_epochs=500,
    verbose=1
)

我用这种方法得到的错误率非常高。

4

1 回答 1

0

从功率谱中提取 MFCC 是非线性操作，单层无法重现。如果你想用多层重现它，你需要考虑 MFCC 算法本身。

MFCC 提取可以用以下神经网络表示：

  • 第 1 层密集矩阵，大小为 256x40，具有对数非线性
  • 第 2 层密集矩阵，大小为 40x13，无非线性（与 Lasagne 中的线性非线性或相同非线性相同）

如果你用 nolearn 重现这个网络，它将能够正确地学习它，但是，对数非线性在 Lasagne 中还没有实现，所以你必须自己实现它。另一种解决方案是用 tanh 或几个标准非线性层替换对数非线性。

因此，要重现 MFCC，您需要 2 层具有对数非线性或 3-4 层具有 softmax 非线性，最后一层必须配置线性非线性。

于 2015-12-09T10:34:31.807 回答