问题标签 [lasagne]

我按照这里的食谱在千层面训练了一个简单的长短期记忆 (lstm) 模型：https ://github.com/Lasagne/Recipes/blob/master/examples/lstm_text_generation.py

这是架构：

该模型通过以下方式进行训练：

我怎样才能保存模型，这样我就不需要再次训练它了？使用 scikit 我通常只是腌制模型对象。但是，我不清楚与 Theano / lasagne 的类似过程。

我有 windows 8.1 64bit 并在此处推荐使用http://deeplearning.net/software/theano/install_windows.html#installing-theano python win-python 发行版（python 3.4）。我已经完成了教程的每一步（不包括 CUDA 的东西和 GPU 配置），卸载了所有东西，然后又做了一次，但我的问题仍然存在。我正在尝试使用千层面构建卷积神经网络。到目前为止我测试过的每一层都在工作——只有 Conv2DLayer 会抛出错误。代码如下：

下面我粘贴了我得到的错误。我想 gcc 出了点问题（我从教程中得到了确切的版本），但无法真正弄清楚问题所在。我有千层面/theano 的前沿版本。我已经尝试过 Anaconda 和 WinPython 发行版。我已经尝试过使用 python 2.7 和 3.4 并且无法真正找到任何解决此问题的方法。只有密集/最大池化层的网络运行得很好。我将不胜感激任何可以帮助我解决此问题的建议。

错误信息：

我需要对我的数据集进行实时增强以输入到 CNN，但我很难找到合适的库。我已经尝试过caffe，但DataTransform不支持许多实时增强，如旋转等。所以为了便于实施，我解决了Lasagne. 但它似乎也不支持实时增强。我看过一些关于Facial Keypoints detection他在哪里使用Batchiterator的帖子nolearn.lasagne。但我不确定它是否是实时的。没有合适的教程。那么最后我应该如何Lasagne通过nolearn或其他方式进行实时增强？

我正在尝试使用 Lasagne 和 NoLearn 训练 CNN。学习结束后，我想存储神经网络参数。

具体来说，

我无法使用 pickle() 因为对象 (nn) 的大小是几十 GB。我怎样才能在光盘上存储这么大的物体？

阿维塞克

当我尝试使用自己的数据集运行 CNN 程序CNN时出现错误。我在用着Python2.7

我之前已经升级了我的库，当我运行主文件时，我收到了这个错误：

我正在阅读 jpg 图像，然后将它们重塑为张量。我将图像投射为 float32：

但是，我收到此错误

我正在尝试用千层面做一个简单的多元线性回归。这是我的输入：

对于这两个数据点，网络应该能够y完美地学习。

这是模型：

多次执行后

成本爆炸到无穷大。知道这里出了什么问题吗？

谢谢！

我生成粘贴在 200x200 大小的白色背景上的单个硬币的图像。该硬币是在 8 个欧元硬币图像中随机选择的（每个硬币一个），并且具有：

• 随机旋转；
• 随机大小（在固定范围内）；
• 随机位置（这样硬币就不会被裁剪）。

这是两个示例（添加了中心标记）：两个数据集示例

我正在使用 Python + 千层面。我将彩色图像输入神经网络，该神经网络具有 2 个完全连接的线性神经元的输出层，一个用于 x，一个用于 y。与生成的硬币图像相关联的目标是硬币中心的坐标 (x,y)。

我尝试过（来自使用卷积神经网络检测面部关键点教程）：

• 具有各种层数和单元数（最大 500）的密集层架构；
• 卷积架构（输出前有 2 个密集层）；
• 作为损失函数的总和或均方差 (MSE)；
• 原始范围 [0,199] 或归一化 [0,1] 内的目标坐标；
• 层与层之间的 dropout 层，dropout 概率为 0.2。

我总是使用简单的 SGD，调整学习率，试图获得一个很好的递减误差曲线。

我发现当我训练网络时，误差会减小，直到输出始终是图像的中心。看起来输出与输入无关。看来网络输出是我给出的目标的平均值。这种行为看起来像是对误差的简单最小化，因为硬币的位置均匀分布在图像上。这不是想要的行为。

我感觉网络没有在学习，而只是在尝试优化输出坐标以最小化对目标的平均误差。我对吗？我怎样才能防止这种情况？我试图消除输出神经元的偏差，因为我想也许我只是在修改偏差并且所有其他参数都设置为零，但这不起作用。

单独的神经网络是否有可能在这项任务中表现出色？ 我已经读过，人们也可以训练一个网络来进行当前/不存在的二进制分类，然后扫描图像以找到对象的可能位置。但我只是想知道是否可以仅使用神经网络的前向计算。

我正在编写一个校准管道来学习神经网络的超参数以检测 DNA 序列的属性*。因此，这需要在具有不同超参数的同一数据集上训练大量模型。

我正在尝试优化它以在 GPU 上运行。与图像数据集相比，DNA 序列数据集非常小（通常 4 个“通道”中有 10 或 100 个碱基对来表示 4 个 DNA 碱基 A、C、G 和 T，而 3 个 RGB 通道中有 10,000 个像素） ，因此无法充分利用 GPU 上的并行化，除非同时训练多个模型。

有没有办法在 nolearn、千层面或最糟糕的 Theano 中做到这一点？

*如果您有兴趣，它基于DeepBind 模型，用于检测转录因子与 DNA 结合的位置。

我正在运行 Lasagne 和 Theano 来创建我的卷积神经网络。我目前包括

我的最后一层是一个密集层，它使用 softmax 来输出我的分类。我的最终目标是检索概率而不是分类（0 或 1）。

当我调用 get_all_param_values() 时，它为我提供了一个扩展数组。我只想要最后一个密集层的权重和偏差。你怎么办？我试过 l_out.W 和 l_out.b 和 get_values()。

提前致谢！