问题标签 [nolearn]

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。

我在 nolearn 库中使用 NeuralNet 类来执行分类任务。这是代码：

此代码训练 NeuralNet 并在测试集上对其进行测试。但是当我多次运行时，每次都会给出不同的结果。那么在给定参数、训练集和测试集的情况下，如何训练 NeuralNet 只给出一个结果呢？

我想删除偏差参数。我试图包括thebias=None我定义我的神经网络的位置，但它不起作用。

尝试向我的神经网络添加更多隐藏层，以便我可以使用相同的学习率和动量等比较不同层的精度得分。

所以我有以下内容：

我在那里所做的只是每次将另外 300 个节点添加到另一个隐藏层。但是，当我出于某种原因将图层添加到其中时，它会吐出许多 npmat.py 错误。

这有明显的原因吗？我真的很想自动化它来添加隐藏层，这样我就可以轻松地生成图形和 csv 文件以进行评估。

错误发生在隐藏数组添加了第二层之后，即当 i = 1 时，然后对于之后添加的每一层：

npmat.py:433: RuntimeWarning: 在添加 target.numpy_array[:] = vec.numpy_array + self.numpy_array 中遇到无效值

RuntimeWarning：在 less target.numpy_array[:] = self.numpy_array < val 中遇到无效值

RuntimeWarning：在更大的范围内遇到无效值

npmat.py:969：RuntimeWarning：在乘法中遇到无效值

数据： https ://drive.google.com/file/d/0B12vhoNivII6My1GQ3E3T3JxQm8/view?usp=sharing

我正在使用 lasagne nolearn 实现卷积神经网络。

我想修复一些预先学习的参数。如何设置一些不可训练的层？

实际上，虽然我去掉了一些层的'trainable'属性，但是在拟合之前层信息中显示的数字，即，如

具有***可学习参数的神经网络永远不会改变。

此外，恐怕'handers.py'中的问候功能

应该

但我不确定它对训练有何影响。

我想使用nolearn的occlusion_heatmap功能。但是，由于创建单个热图需要 2-3 秒，因此这种方法对于我的包含数千张图像的数据集并不实用。

我假设可以通过避免for使用 numpy 的嵌套循环来加速该功能。任何提示将不胜感激。