问题标签 [pylearn]

我通过 Pylearn2 训练并保存了两层堆叠 CAE 模型。我想加载这些模型并转换一个新的数据集。我该怎么做？

这是我的模型：

我也尝试过类似的方法，但它不起作用。

这是我最近做的，但不确定它的正确性：

我安装了 Pylearn2，我想使用 pylearn2 训练模型。在此处参考：在此处输入链接描述

但我只是运行第 1 步：创建数据集，从 grbm_smd 目录，运行命令 $python make_dataset.py ，我得到错误：

$ python make_dataset.py

加载文件/Users/k11067kk/pylearn2_data/cifar10/cifar-10-batches-py/data_batch_1

回溯（最近一次通话最后）：

文件“make_dataset.py”，第 27 行，在

文件“/Users/k11067kk/pylearn2/pylearn2/datasets/cifar10.py”，第 73 行，在init

文件“/Users/k11067kk/pylearn2/pylearn2/datasets/cifar10.py”，第 257 行，在 _unpickle

TypeError: load() 没有关键字参数

我做了一些测试，并设置了这样的路径： $export PYLEARN2_DATA_PATH=~/pylearn2_data 有什么问题？知道如何解决这个问题吗？谢谢！

我正在尝试使用 theano，但在导入时出现错误。我已经安装了 cuda_6.5.14_linux_64.run，并通过了这个NVIDIA PDF 第 6 章中推荐的所有测试。最终我希望能够安装 pylearn2，但是当我尝试编译它时，我得到了与下面完全相同的错误。

EDIT1：我的 theanorc 看起来像：

如果我用 cpu 替换 gpu，则命令 import theano 成功。

我在将自定义数据集加载到 pylearn2 时遇到问题。我正在尝试使用一个小的 XOR 数据集来训练一个简单的 MLP。我有一个与我的 yaml 文件在同一目录中命名的数据集，它与 pylearn2 的脚本xor.csv不在同一目录中。train.py

以下是 的全部内容xor.csv：

这是我的 YAML 文件的全部内容：

当我运行 pylearn2 的train.py脚本时，它在训练之前失败（大概是在编译 theano 函数时）。这是输出的全部内容：

这到底是什么意思？我查看了 的代码CSVDataset，它在 using 中加载了数据np.loadtxt，这应该将它们作为浮点数引入。如果我编辑xor.csv为看起来像浮动（1 -> 1.0例如），则没有任何变化。

我在 RBM 的 pyLearn2（机器学习库）示例上找到了这个文档。有人能告诉我为什么它更容易吗？

对于它的价值，我对 RBM 并不了解，所以请多多包涵。完整代码请参考此链接

我正在使用 pylearn2 来训练神经网络。这是我正在使用的 YAML 文件：https ://github.com/goodfeli/adversarial/blob/master/cifar10_convolutional.yaml

我使用此命令在 linux 终端中启动培训课程：

在每个 epoch 之后，模型都被保存为 pickle 文件。然而，训练中途中断了。如何恢复培训？

Pylearn2 通常被建议作为神经网络的 python 资源。

我想创建一个单隐藏层神经网络并使用反向传播算法对其进行训练。

这应该是基本的，但我不明白如何用 pylearn2 来做。我在多层感知器上找到了本教程，但尽管如此，我仍然迷路了。（http://nbviewer.ipython.org/github/lisa-lab/pylearn2/blob/master/pylearn2/scripts/tutorials/multilayer_perceptron/multilayer_perceptron.ipynb）

我想创建一个具有 40 个隐藏节点和一个 sigmoid 激活函数的单层神经网络。

有人能帮我吗？

编辑：

我已经能够编写此代码，但它仍然无法正常工作

我正在使用 pylearn2 训练一个简单的卷积神经网络。我将 RGB 图像数据存储在 npy 文件中。无论如何直接从npy文件将该数据直接转换为灰度数据？

我的问题总结：我有一个检测（二进制分类，不平衡问题）。我使用 sigmoid 对样本进行分类。报告的 f 分数、精度和召回率似乎考虑了这两个类别，例如，真阳性似乎是正确分类的样本总数，而不是属于正确分类的“1”类的样本总数。

更长的解释：在我的实验中，我有关于人的人口统计数据，我必须预测他们是否购买了产品。我使用 PCA 将初始特征减少到只有 4 个特征，并且数据存储在 csv 文件中（第一列有类标签，“0”和“1”）。请注意，大多数人没有购买，然后这两个班级非常不平衡。我使用CSVDataset类来读取它：

我想从一个简单的分类模型开始，我使用 f-score 作为性能衡量标准。因此，我的第一个想法是使用具有单个 sigmoid 层的 MLP 模型（默认监视器“检测”提供召回、精度、f-score）：

我最初的想法是将dim设置为1（决策规则是：如果输出> 0.5选择类'1'，如果< 0.5选择类'0'）。但是，我得到了错误ValueError: Can't convert to VectorSpace of dim 1. Expected either dim=2 (merged one-hots) or 2 (concatenated one-hots)然后我决定将 dim 设置为 2 （决策规则将是：如果 out1 > out0 选择 '1'，如果 out1

在我的train.yaml中，我或多或少地遵循了文档中提供的 softmax 示例笔记本。例如，我使用 BGD 算法并将 batch_size 设置为训练集中的示例总数（74164 个示例，一个小数据集！）只是为了避免在手动检查性能时产生混淆。

该模型使用提供的train.py脚本进行训练，一切似乎都很好，直到我查看了结果。如前所述，这是一个检测问题，其中要检测的类（'1'）很少发生。因此，我很惊讶地看到报告的 train_y_f1 的高值（最好的结果是大约 94%，在一个 epoch 之后）。

为了检查这一点，我使用提供的脚本 predict_csv.py 手动计算了 f 分数，然后加载了预测。我看到实际上只有未命中（所有“1”都归类为“0”），所以精确率、召回率和 f-score 应该都为零。为什么检测监视器报告更高的值？

经过一番调查，我发现 MLP 对每个类都有一个输出，并且我验证（手动计算并得到相同的数字）在 get_detection_channels_from_state() 中定义的真阳性和假阳性实际上指的是两个类，“1”和'0'，例如真阳性是属于分类为'1'的'1'的向量的数量与属于分类为'0'的'0'的向量的数量之和。因此 MLP 将所有内容分类为“0”，并且由于几乎所有向量都属于“0”，因此性能很好。这是不平衡检测问题的一个已知问题，其中正确分类率不是合适的度量，这也是我们使用 f-score 或 AUC 等度量的原因。然而，

我可以想象这是 Sigmoid 类的设计者知道的，所以我只能假设我做错了什么。希望有人可以给我一个提示:)

注意：我已将此问题提交到 pylearn2 用户邮件列表。如果我得到答案，我会在这里复制它......

我正在使用 pylearn2 库来设计一个 CNN。我想在一层中使用 Leaky ReLus 作为激活函数。有没有可能使用pylearn2来做到这一点？我必须为它编写一个自定义函数还是 pylearn2 有内置的函数？如果是这样，如何编写自定义代码？请问有人可以帮我吗？