问题标签 [deep-learning]

我目前正在尝试从 deeplearntoolbox 运行 matlab 代码，即test_example_DBN.m.

但是它遇到了一些错误，我不明白问题是什么以及如何解决它。需要您的帮助来解释和教我问题出在哪里以及如何解决。提前致谢..

错误信息如下：

？？？试图访问 lmisys(5)；索引超出范围，因为 numel(lmisys)=4。

==> lmiunpck 在 23 处出错

rs=lmisys(4); rv=lmisys(5); LMISET,LMIVAR 的 % 行大小

==> nnsetup 在 26 处出错

[LMI_set,LMI_var,LMI_term,data]=lmiunpck(lmisys);

==> dbnunfoldtonn 中的错误在 10

nn = nnsetup（大小）；

==> TryDBN 在 31 处出错

nn = dbnunfoldtonn(dbn, 10);

我有一个关于名为 SENNA 的 nlp 标记器的问题，它是由 Collbert 和他的同事根据他们的论文开发的：Natural Language Processing (almost) from Scratch。

SENNA（此地址提供的代码：http ://ronan.collobert.com/senna/download.html ）是否包含任何用于训练神经网络的代码？

或者它只是使用通过训练网络获得的信息（它是预先训练的，它的代码不在 SENNA 中）？

我想访问 my_classifier.y_binary 的值。我的目标是计算 my_classifier.error。

我知道如何使用 eval 获取 my_classifier.y_hat 的值，但是当输入是 self 参数时我不知道如何使用它。

谢谢

最后，我开始学习神经网络，我想知道卷积深度信念网络和卷积网络之间的区别。在这里，有一个类似的问题，但没有确切的答案。我们知道卷积深度信念网络是 CNNs + DBNs。所以，我要做一个物体识别。我想知道哪一个比其他更好或它们的复杂性。我进行了搜索，但找不到任何可能做错的事情。

我是机器学习的新手（也是stackoverflow），我想做一些分类任务。我使用神经网络工具箱中的 LIBSVM 和 Matlab 的模式识别工具对我的数据集（语音声学领域）进行了两组分类，以创建一个具有一个隐藏层的简单网络。为了获得更高的分类结果，我想尝试深度神经网络，我发现了这段代码： http: //www.mathworks.com/matlabcentral/fileexchange/42853-deep-neural-network

我有些难以理解。

我的数据由 19 个参数的 127 个样本构成，所以我的输入数是 19。我想将它们分为两组：0 和 1，所以我的输出数是 1。我的数据集中的值在 0 和 1 之间进行归一化.

我的代码如下：

代码运行。rmse 为 0.4183，AveErrNum 为 0.1969。我需要的是我的目标（存储在输出数据中）和网络预测之间的分类准确度（准确度 = 正确分类的数据/所有数据）。二值化后我在哪里可以找到网络预测？

我是否使用正确类型的网络进行分类？我不需要将我的数据划分为训练、验证和测试样本吗（就像在一个具有一个隐藏层的简单神经网络的情况下一样）？

提前感谢您的帮助！

我知道mnist数据集中的手写数字图像是28×28，但是为什么LeNet5的输入是32×32呢？

我正在使用 caffe，我一直在尝试使用 HDF5 数据训练 caffenet 模型，我使用了来自 ~/../caffe/examples/hdf5_classification 的 prototxt 文件。但我收到以下错误

PS：我是python编程的新手

有人可以帮我解决这个问题.....干杯

我正在尝试使用deepet包的dbn.dnn.train函数训练 MNIST 数据集。任务是分类任务。我正在使用以下命令

我面临的问题是：

1）标签应该是因子类型向量。但是当我输入标签作为因子时，函数会给出一个错误，即“y 应该是矩阵或向量”。所以，我使用标签作为数字。如何进行分类任务

2) 对 dbn.dnn.train 进行预测的功能是什么。我正在使用 nn.predict 但文档提到输入应该是由函数 nn.train 训练的神经网络（未提及 dbn.dnn.train）。所有记录的输出为 0.9986

最近，我开始阅读有关深度学习的内容。主要是使用无监督 RBM 网络对权重进行预训练，然后使用具有许多隐藏层的神经网络来解决他们的任务。所以我的问题是，我们是否可以将 DNN 用于 2 类分类问题。感谢那些将要回应的人。

目前我正在关注caffe imagenet 示例，但将其应用于我自己的训练数据集。我的数据集大约有 2000 个类，每个类大约 10 ~ 50 张图像。实际上我是在对车辆图像进行分类并且图像被裁剪到前面，所以每个类中的图像具有相同的大小，相同的视角（几乎）。

我已经尝试过 imagenet 架构，但看起来效果不佳，经过大约 3000 次迭代后，精度降至 0。所以我想知道是否有关于如何调整架构的实用指南？