Question

我正在尝试修改Stacked Autoencoder以便从Theano deep learning tutorial进行分类，第8章。我正在处理的自动编码器代码可用here。

我的数据集由4个数组组成：test_set_x，test_set_y，valid_set_x，valid_set_y。这些名字是自我解释的。

这是在验证集上检查训练的自动编码器的方法：

valid_score = the.function([], sda.errors,
                 givens={
                    sda.x: valid_set_x,
                    sda.y: valid_set_y},
                 name='valid_test')

print valid_score()

此代码在我的数据集上打印出“0.87”，因此它可以正常工作。

表达更详细

valid_score = the.function([], T.mean(T.neq(sda.logLayer.y_pred, sda.y)),
                 givens={
                    sda.x: valid_set_x,
                    sda.y: valid_set_y},
                 name='valid_test')

仍然给出87％的正确答案。

但是每当我试图直接得到真正的类预测向量时，我得到一些非常错误的结果：结果向量的所有元素都等于4（我的类中有一个）。

我的尝试看起来像这样：

predict = the.function([], sda.logLayer.y_pred,
                   givens={sda.x: valid_set_x})
print predict()

打印出“[4,4,4，.....，4,4]”。将此结果与valid_set_y向量进行比较可得出约12％的正确性，甚至不到87％。

我不明白我做错了什么。

如果您曾与theano autoencoders和/或上述教程达成协议，请帮助我。

谢谢。

Answer 1

valid_score输出是验证集上的错误率。验证分数为87%表示您只能正确分类约12％的验证示例。这个结果似乎与“全4”预测规则一致。

如何从Theano堆叠自动编码器获取预测矢量

1 个答案: