我需要用一个前馈网络来解决一个回归问题,我一直在尝试使用PyBrain来解决这个问题。由于pybrain的引用中没有回归的例子,所以我尝试将它的分类示例改为回归,但是没有成功(分类示例可以在这里找到:http://pybrain.org/docs/tutorial/fnn.html)。以下是我的代码:
第一个函数将我的numpy数组形式的数据转换为pybrain supervieddataset。我使用supervieddataset是因为根据pybrain的引用,当问题是回归时,它是要使用的数据集。参数是具有特征向量(数据)及其预期输出(值)的数组:
def convertDataNeuralNetwork(data, values):
fulldata = SupervisedDataSet(data.shape[1], 1)
for d, v in zip(data, values):
fulldata.addSample(d, v)
return fulldata
接下来是运行回归的函数。train_data和train_values是列车特征向量,其预期输出、test_data和test_values是试验特征向量及其预期输出:
regressionTrain = convertDataNeuralNetwork(train_data, train_values)
regressionTest = convertDataNeuralNetwork(test_data, test_values)
fnn = FeedForwardNetwork()
inLayer = LinearLayer(regressionTrain.indim)
hiddenLayer = LinearLayer(5)
outLayer = GaussianLayer(regressionTrain.outdim)
fnn.addInputModule(inLayer)
fnn.addModule(hiddenLayer)
fnn.addOutputModule(outLayer)
in_to_hidden = FullConnection(inLayer, hiddenLayer)
hidden_to_out = FullConnection(hiddenLayer, outLayer)
fnn.addConnection(in_to_hidden)
fnn.addConnection(hidden_to_out)
fnn.sortModules()
trainer = BackpropTrainer(fnn, dataset=regressionTrain, momentum=0.1, verbose=True, weightdecay=0.01)
for i in range(10):
trainer.trainEpochs(5)
res = trainer.testOnClassData(dataset=regressionTest )
print res
当我打印res时,它的值都是0。我试过使用build network函数作为构建网络的捷径,但效果并不理想。我也尝试过不同的层和隐藏层中不同数量的节点,但没有成功。
有人知道我做错了什么吗?另外,一些pybrain回归的例子真的会有帮助!我一看就找不到。
提前谢谢
^{} 是一个工具
所以它看起来很适合为你的回归任务构建一个神经网络。
正如Ben Allison最初指出的,为了使网络能够逼近任意值(即不一定在
0..1
范围内),在最后一层中使用具有有限输出范围的激活函数非常重要。例如,线性激活函数应该能很好地工作。下面是一个从pybrain的基本元素构建的简单回归示例:
附带说明(因为在代码示例中有一个带有线性激活函数的隐藏层):在任何隐藏层中,线性函数都不有用,因为:
它可以简化为一个单一的线性变换,也就是说,它们对应的层也可以被消除,而不必对可逼近的函数集进行任何简化。神经网络的一个重要特点是隐层中的激活函数是非线性的。
我想这里可能会发生一些事情。
首先,我建议使用与您使用的不同的层激活配置。特别是,对于初学者,尝试对网络中的隐藏层使用sigmoidal非线性,并对输出层使用线性激活。这是一个典型的监控网络的最常见的设置,应该可以帮助您开始。
我注意到的第二件事是,您的培训师中的
weightDecay
参数有一个相对较大的值(尽管什么构成“相对较大”取决于您的输入和输出值的自然比例)。对于初学者,我将删除该参数,或者将其值设置为0。权重衰减是一个正则化器,它有助于防止网络过度拟合,但如果您将该参数的值增加过多,则网络权重将很快全部变为0(然后网络的梯度基本上为0,因此学习将停止)。只有在培训期间验证数据集的性能开始下降时,才将weightDecay
设置为非零值。相关问题 更多 >
编程相关推荐