问题标签 [lasagne]

当我要导入时：

我总是收到这个错误

我的 Theano 版本是 0.7.0。

我正在用千层面构建一个神经网络，并按照 github 上的示例进行操作。我很好奇如何准确地输入网络。在示例中，他们声明输入层是 4 维，实际上它是一个 theano tensor4。这是否意味着我必须给网络一个 4 维 numpy 数组？这甚至可能吗？您将如何从 4 d 列表向量构建一个？

我很好奇是否有人有任何见解。即使您无法弄清楚问题，我该如何开始调试它。我必须说，我在theano方面并不强。

输入数据是形状为 (10,15,10) 的 numpy 张量

这里是。它在我刚刚将输入连接到密集层时运行。

这是错误。这有点笨拙。

我刚刚开始使用 lasagne 和 Theano 在 Python 上进行一些机器学习。

我正在尝试修改 Theano 中的 softmax 类。我想更改激活函数（softmax）的计算方式。我不想将 e_x 除以 e_x.sum(axis=1)，而是将 e_x 除以三个连续数字的总和。

例如，结果将如下所示：

等等...

问题是我不能完全掌握 theano 是如何进行计算的。

这是我的主要问题。只需更改 softmax 类中的 perform() 函数就足够了吗？

这是原始的 perform() 函数：

这是我修改后的 perform()

使用当前代码，当我在千层面中使用 predict 方法时出现“不可排序的类型：int()>str()”错误。

我在一台带有 NVIDIA Corporation GF108 [GeForce GT 430] [10de:0de1] (rev a1) 显卡的 Linux 3.16.0-30-generic #40~14.04.1-Ubuntu x86_64 GNU/Linux 机器上。

我正在尝试在lasagne启用 GPU 的情况下运行包，但是通过运行 import lasagne.layers.dnn，我得到了 ImportError：

目前，我已经安装并成功编译了所有cuda_7.0.28_linux示例以及cudnn-7.0-linux-x64-v3.0-rc.

我得到这个输出：

我正在使用python 2.7并习惯pip从他们的文件中安装所有这些包，这些tar.gz文件是从他们的存储库下载的。

我正在尝试使用 Lasagne 在某些图像上构建一个带有神经网络的二元分类器。训练和验证损失波动很大（并且不会稳定），验证准确度始终为0%. 1此外，网络总是像测试集一样预测目标。

我正在使用的网络基本上只是 Lasagne 示例的副本，用于此处找到的mnist数据集，但适用于我509 x 115的图像，这些图像相当大（400我想知道这是否是一个问题，以及网络是否可能需要更深/有更多神经元？

对于这种大小的图像，我需要更大的训练集吗？或者我应该看到一些对我的测试集的预测，尽管不准确？

我目前正在尝试用 Lasagne 构建一个 LSTM 网络来预测噪声序列的下一步。我首先训练了 2 个 LSTM 层的堆栈一段时间，但由于发散问题（最终产生 NaN 值），不得不使用非常小的学习率（1e-6）。结果有点令人失望，因为网络生成了平滑的、异相的输入版本。

然后我得出结论，我应该使用比默认设置更好的参数初始化。目标是从一个仅模拟身份的网络开始，因为对于强自相关信号，它应该是对下一步 (x(t) ~ x(t+1)) 的良好初步估计，并稍加一点噪音在它上面。

然后我使用这个 lstm 生成代码来生成以下网络：

问题是，即使没有任何训练，这个网络也会从第一个 LSTM 层产生垃圾值，有时甚至是一堆 NaN：

我不明白为什么，我检查了每个矩阵，它们的值很好，就像我希望它们一样。我什至尝试使用实际的 numpy 数组重新创建每个门激活和生成的隐藏激活，并且它们可以很好地再现输入。我在那里做错了什么？？

我正在使用Theano 0.7,nolearn 0.6adev并lasagne 0.2.dev1在 GPU 上训练神经网络（在IPython 3.2.1笔记本中）。'reduc'但是，由于第一层（

如果我注释掉第一层，训练将在几秒钟后开始。训练更复杂的网络也不是问题。知道是什么导致了这个问题吗？

编辑：奇怪的是，如果我删除conv4and conv5，培训也会在合理的时间内开始。

Edit2：更奇怪的是，如果我在 layer 中将过滤器的大小更改为 10 reduc，那么训练会在合理的时间内开始。如果在那之后我停止单元格的执行，将此值更改为 1，然后重新执行单元格，则训练进行得很好......

最后我开始使用另一个框架，但如果有人感兴趣，这里是我在 lasagne 用户组上开始的线程的链接。

我在网上找到了这段代码，想测试一下。它确实有效，结果包括训练损失、测试损失、验证分数和时间等。

但是我怎样才能得到 F1-micro 分数呢？另外，如果我在添加以下代码后尝试导入 scikit-learn 来计算 F1：

我收到了这个错误：

ValueError：无法处理多标签指示器和连续多输出的混合

如何基于上述代码实现 F1-micro 计算？

我一直在用 Lasagne 训练一些神经网络和卷积网络，并使用 Python 进行大部分数据/图像预处理。但是，我想将其中的一些合并到我的千层面层中，以使我的代码更加灵活。

是否有可以调整输入图像大小的千层面层？