神经网络的数据集太大了，所以我的操作系统崩溃了。如何提高效率？

Question

我正在做一个简单的神经网络，当输入2张牌时，它会通过预测是举起还是折叠来玩扑克。我正在用10461x6的数据集训练它。你知道吗

前几行是这样的：

┏━━━━━━━━━━━┳━━━━━━━━━━━┳━━━━━━━┳━━━━━━━━━━━┳━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━┓
┃  Card1/12 ┇  Card2/12 ┇Suited?┇  Average  ┇Max Difference┇Min Difference┃
┣━━━━━━━━━━━╋━━━━━━━━━━━╋━━━━━━━╋━━━━━━━━━━━╋━━━━━━━━━━━━━━╋━━━━━━━━━━━━━━┫
┃0.642857143┇0.285714286┇   0   ┇0.464285714┇ 0.178571429  ┇ 0.178571429  ┃
┣┅┅┅┅┅┅┅┅┅┅┅╋┅┅┅┅┅┅┅┅┅┅┅╋┅┅┅┅┅┅┅╋┅┅┅┅┅┅┅┅┅┅┅╋┅┅┅┅┅┅┅┅┅┅┅┅┅┅╋┅┅┅┅┅┅┅┅┅┅┅┅┅┅┫
┃0.357142857┇0.214285714┇   0   ┇0.285714286┇ 0.071428571  ┇ 0.071428571  ┃
┣┅┅┅┅┅┅┅┅┅┅┅╋┅┅┅┅┅┅┅┅┅┅┅╋┅┅┅┅┅┅┅╋┅┅┅┅┅┅┅┅┅┅┅╋┅┅┅┅┅┅┅┅┅┅┅┅┅┅╋┅┅┅┅┅┅┅┅┅┅┅┅┅┅┫
┃0.857142857┇0.285714286┇   0   ┇0.571428571┇ 0.285714286  ┇ 0.285714286  ┃
┣┅┅┅┅┅┅┅┅┅┅┅╋┅┅┅┅┅┅┅┅┅┅┅╋┅┅┅┅┅┅┅╋┅┅┅┅┅┅┅┅┅┅┅╋┅┅┅┅┅┅┅┅┅┅┅┅┅┅╋┅┅┅┅┅┅┅┅┅┅┅┅┅┅┫
┃0.928571429┇0.571428571┇   0   ┇   0.75    ┇ 0.178571429  ┇ 0.178571429  ┃
┗━━━━━━━━━━━┻━━━━━━━━━━━┻━━━━━━━┻━━━━━━━━━━━┻━━━━━━━━━━━━━━┻━━━━━━━━━━━━━━┛

我将此数据集存储在csv中，并使用np.genfromtxt()将其转换为python中的数组。然后这些数据通过神经网络进行训练。然而，我遇到了一个小问题，因为数据集太大，完全崩溃了我的操作系统。你知道吗

以下是我认为正在发生的事情：

• 我不认为阵列不能容纳10461x6阵列有问题。你知道吗
• 我敢肯定，只是培训时间太长，使用了所有的系统资源，所以看起来它挂起了。你知道吗

我需要一个更有效的方法来训练我的神经网络与这个大数据集。你知道吗

这是我的密码：

import numpy as np
import csv
class nn:   
    #make sigma
    def sigma(self,x):
        return 1/(1+np.exp(-x))

    #sigma gradient
    def sigmaDeriv(self,x):
        return x*(1-x)

    def train(self):
        #define datasets
        x = np.genfromtxt('hands.csv', delimiter=',')
        y = np.genfromtxt('correctpred.csv', delimiter=',')[np.newaxis]
        y = y.T

        #seed
        np.random.seed(1)

        w0 = 2*np.random.random((6,10461))-1
        w1 = 2*np.random.random((10461,10461))-1
        w2 = 2*np.random.random((10461,10461))-1
        w3 = 2*np.random.random((10461,1))-1

        #train
        for t in xrange(1000):
            #forward propagation
            l0 = x
            l1 = self.sigma(np.dot(l0, w0))
            l2 = self.sigma(np.dot(l1, w1))
            l3 = self.sigma(np.dot(l2, w2))
            l4 = self.sigma(np.dot(l3, w3))

            #error + change calc
            l4_error = y - l4    
            l4_change = l4_error*self.sigmaDeriv(l4)
            l3_error = l4_change.dot(w3.T)
            l3_change = l3_error * self.sigmaDeriv(l3)
            l2_error = l3_change.dot(w2.T)
            l2_change = l2_error * self.sigmaDeriv(l2)
            l1_error= l2_change.dot(w1.T)
            l1_change = l1_error * self.sigmaDeriv(l1)

            #update weights
            w3 += np.dot(l3.T, l4_change)
            w2 += np.dot(l2.T, l3_change)
            w1 += np.dot(l1.T, l2_change)
            w0 += np.dot(l0.T, l1_change)

        print "Output after training"
        print l4

    nn().train()

Answer 1

使用stochastic gradient descent，它正是为了这种目的而创建的。你知道吗

基本上不使用所有的数据向前向后传播并计算误差（损失），而只使用一批b样本来计算损失并得到梯度。然后训练10461/b迭代，每次使用不同的一批样本，直到看到整个数据集。一旦你对整个数据集进行训练，那就叫做一个历元。重复10个时代左右（可调）。你知道吗