如何序列化/反序列化pybrain网络？

Question

PyBrain是一个python库，它提供（除其他外）易于使用的人工神经网络。在

我无法使用pickle或cPickle正确序列化/反序列化PyBrain网络。在

请参见以下示例：

from pybrain.datasets            import SupervisedDataSet
from pybrain.tools.shortcuts     import buildNetwork
from pybrain.supervised.trainers import BackpropTrainer
import cPickle as pickle
import numpy as np 

#generate some data
np.random.seed(93939393)
data = SupervisedDataSet(2, 1)
for x in xrange(10):
    y = x * 3
    z = x + y + 0.2 * np.random.randn()  
    data.addSample((x, y), (z,))

#build a network and train it    

net1 = buildNetwork( data.indim, 2, data.outdim )
trainer1 = BackpropTrainer(net1, dataset=data, verbose=True)
for i in xrange(4):
    trainer1.trainEpochs(1)
    print '\tvalue after %d epochs: %.2f'%(i, net1.activate((1, 4))[0])

这是上述代码的输出：

^{pr2}$

如您所见，网络总误差随着培训的进行而减少。您还可以看到预测值接近预期值12。在

现在我们将进行类似的练习，但将包括序列化/反序列化：

print 'creating net2'
net2 = buildNetwork(data.indim, 2, data.outdim)
trainer2 = BackpropTrainer(net2, dataset=data, verbose=True)
trainer2.trainEpochs(1)
print '\tvalue after %d epochs: %.2f'%(1, net2.activate((1, 4))[0])

#So far, so good. Let's test pickle
pickle.dump(net2, open('testNetwork.dump', 'w'))
net2 = pickle.load(open('testNetwork.dump'))
trainer2 = BackpropTrainer(net2, dataset=data, verbose=True)
print 'loaded net2 using pickle, continue training'
for i in xrange(1, 4):
        trainer2.trainEpochs(1)
        print '\tvalue after %d epochs: %.2f'%(i, net2.activate((1, 4))[0])

这是此块的输出：

creating net2
Total error: 176.339378639
    value after 1 epochs: 5.45
loaded net2 using pickle, continue training
Total error: 123.392181859
    value after 1 epochs: 5.45
Total error: 94.2867637623
    value after 2 epochs: 5.45
Total error: 78.076711114
    value after 3 epochs: 5.45

如您所见，似乎训练对网络有一些影响（报告的总误差值继续减小），但是网络的输出值冻结在与第一次训练迭代相关的值上。在

是否有任何缓存机制需要我注意，它会导致这种错误行为？有更好的方法来序列化/反序列化pybrain网络吗？在

相关版本号：

• Python 2.6.5（r265:790962010年3月19日，21:48:26）[MSCV.1500 32位（Intel）]
• 数字1.5.1
• C盘1.71
• 大脑0.3

另外，我已经在项目的站点上创建了a bug report，并将保持SO和bug跟踪器的更新

Answer 1

原因

导致这种行为的机制是对PyBrain模块中的参数（.params）和导数（.derivs）的处理：事实上，所有的网络参数都存储在一个数组中，但是单个的Module或{}对象可以访问“他们自己的”.params，但这只是整个数组的一个部分的视图。这允许在同一数据结构上同时进行本地和网络范围的写入和读取。在

显然，这个切片视图链接会因为酸洗而丢失。在

解决方案

插入

net2.sorted = False
net2.sortModules()

从文件（它重新创建此共享）加载后，它应该可以工作。在