问题标签 [nolearn]

我有一个语义分割问题，如果我可以为一个特征向量设置多个标签，那就太好了。因此，我的数据的某些部分属于 1、2 和 3 类（以及其他仅属于一个类，有些根本不属于任何类......）。

我认为一个类似但更简单的玩具问题是构建一个神经网络，它以二进制格式获取一个数字作为输入特征，并且应该决定它是否可以被 2、3、两者整除，或者两者都不能整除。

我试过的

我使用nolearn构建了一个具有两个输出神经元的网络（一个用于“可被 2 整除”，另一个用于“可被 3 整除”。

请注意，对于这个简单的示例，我知道我可以简单地添加两个类“可被两者整除”和“不能被 2 或 3 整除”。但是，我只是为一个更复杂的问题创建了这个例子，而我没有这种可能性。

输出层可能不是 softmax 层，因为我不想在输出的总和中得到 1（而是 0、1 或 2）。问题是我不知道我的标签向量应该是什么样子。通常，我只给label_vector = [class_for_first, class_for_second, ...]，但这次我需要一个课程列表。我该如何调整它？

（不必使用 nolearn 来完成。纯 Lasagne 解决方案也可以。）

可能很多人已经看过谷歌研究的这篇文章：

http://googleresearch.blogspot.ru/2015/06/inceptionism-going-deeper-into-neural.html

它描述了 Google 团队如何制作神经网络来实际绘制图片，就像人工艺术家一样 :)

我想做一些类似的事情，只是为了看看它是如何工作的，并可能在将来使用它来更好地了解是什么导致我的网络失败。问题是 - 如何使用 nolearn\lasagne （或者可能是 pybrain - 它也可以工作，但我更喜欢 nolearn）来实现它。

更具体地说，谷歌的人已经用一些架构训练了一个人工神经网络来对图像进行分类（例如，对照片上的鱼进行分类）。好吧，假设我在 nolearn 中构建了一个具有某种架构的 ANN，并且我已经接受了一定程度的训练。但是……接下来该怎么办？我没有从他们的文章中得到它。他们似乎并不只是可视化某些特定层的权重。在我看来（也许我错了）就像他们做两件事之一：

1) 将一些现有图像或纯粹的随机噪声馈送到经过训练的网络，并可视化其中一个神经元层的激活。但是 - 看起来并不完全正确，因为如果他们使用卷积神经网络，层的维度可能低于原始图像的维度

2）或者他们将随机噪声提供给经过训练的 ANN，从其中一个中间层获取其中间输出并将其反馈回网络 - 以获得某种循环并检查神经网络层认为可能存在的随机噪音。但同样，由于与＃1中相同的维度问题，我可能是错的

所以......对此有什么想法吗？我们如何使用 nolearn 或 pybrain 做与 Google 在原始文章中所做的类似的事情？

我正在尝试使用神经网络来解决分类问题。我有 6 个可能的类，并且相同的输入可能在多个类中。

问题是，当我尝试为每个类训练一个 NN 时，我设置 output_num_units = 1 并且在训练时，我传递了 y 的第一列，y[:,0]。我得到以下输出和错误：

如果我尝试使用output_num_units=num_class(6) 和完整的 y（所有六个字段），首先我会收到 KStratifiedFold 的错误，因为它似乎不希望 y 有多行。如果我设置eval_size=None，则会收到以下错误：

唯一有效的配置是设置多个输出单元并且只将一列传递给 y。比它训练神经网络，但它似乎不正确，因为它给了我 2 个输出层，我只有一个 Y 可以比较。

我究竟做错了什么？为什么我不能只使用一个输出？我应该将我的 y 类从 6 列的向量转换为只有一列的向量吗？

我使用以下代码（摘录）：

我正在研究 MNIST 数据集并使用数据增强来训练神经网络。我有一个 BatchIterator，它从每张图片中随机提取 24、24 子图像，并将其用作 NN 的输入。

就训练而言，一切都很顺利。但是对于预测，我想从给定图像中提取 5 个子图像，并对预测进行平均，但我无法让它工作：

这是我的 BatchIterator：

将我的网络与训练数据相匹配是可行的，但是当我这样做时net.predict(X_test)，我会得到一个错误，因为CropIterator.transform()我相信它被称为yb等于None。

这是完整的调用堆栈：

关于如何在测试部分修复它的任何想法CropIterator.transform()？

我在 nolearn 中做一个神经网络，这是一个使用千层面的基于 Theano 的库。

我不明白如何定义自己的成本函数。

输出层只有 3 个神经元[0, 1, 2]，我希望它能够确定它何时给出 1 或 2，否则——如果它不确定 1、2——则只返回 0。

所以，我想出了一个成本函数（需要调整），其中 1 和 2 的成本是 0 的两倍，但我不明白如何告诉网络。

这是更新的代码，但我如何告诉 SGD 使用我的成本函数而不是它自己的？

编辑： 完整的网络代码是：

使用时编辑 错误regression=True

我尝试使用从 nolearn 包导入的 DBN 函数，这是我的代码：

由于我的数据具有形状 (1231, 229) 和带有形状 (1231,13) 的标签，因此标签集看起来像 ([0 0 1 0 1 0 1 0 0 0 1 1 0] ...,[.. ..]），当我运行我的代码时，我收到了这个错误消息：输入形状错误（1231,13）。我想知道这里可能会发生两个问题：

1. DBN 不支持多标签分类
2. 我的标签不适合在 DBN 拟合函数中使用。

当我要导入时：

我总是收到这个错误

我的 Theano 版本是 0.7.0。

当我使用 nolearn 实现多标签分类时，我得到了这个错误：

'在索引 1（基于 0）处名称为“/Users/lm/Documents/anaconda/lib/python2.7/site-packages/nolearn/lasagne/base.p‌​y:391”的 theano 函数的错误输入参数, 'TensorType(float32, matrix) 不能存储 dtype int64 的值而不冒精度损失的风险。如果您不介意这种损失，您可以：1) 将数据显式转换为 float32，或 2) 在调用“function”时设置“allow_input_downcast=True”。', array([[0, 0, 0, ... , 0, 0, 1],

我正在尝试使用 nolearn 构建一个可以对多个类进行回归的神经网络。

例如：

noutput 是我想要进行回归的类的数量，如果我将它设置为 1 一切正常。当我使用 26（此处的类数）作为 output_num_unit 时，出现 Theano 维度错误。（args 与 gemm (128,1000)x(1000,26)->(128,1) 的尺寸不匹配）

Y 标签是连续变量，对应于一个类。我试图将 Y 标签重塑为 (rows,classes) 但这意味着我必须为很多 Y 标签赋予 0 值（因为该类的值是未知的）。有没有办法在不将一些 y_labels 设置为 0 的情况下做到这一点？

简而言之，要运行卷积神经网络模型，我需要一个特殊版本的nolearn，它的 URL 格式为https://github.com/dnouri/nolearn/tree/1659e4811e498dc1f442d8e6486d0831f85255b4/nolearn。但是，页面上没有Download as Zip按钮，我也无法下载它

简单地，

也不行。

甚至，我不知道我应该在 Google 中搜索什么！

注意：这是最后一个支持该类的版本，即不再支持Objective该命令！from lasagne.objectives import Objective