Question

我有一堆传感器，我真的只想重建输入。

所以我想要的是：

在我训练模型后，我将传递我的特征矩阵
重新获得重建的特征矩阵
我想调查哪些传感器值与重建值完全不同

因此我认为RBM将是正确的选择，因为我已经习惯了Java，所以我尝试使用deeplearning4j。但我很早就陷入了困境。如果您运行以下代码，我将遇到2个问题。

结果远离正确的预测，大多数只是[1.00,1.00,1.00]。
我希望得到4个值（这是预期要重建的输入数量）

那么我需要调整以获得a）更好的结果和b）重新获得重建的输入？

public static void main(String[] args) {
    // Customizing params
    Nd4j.MAX_SLICES_TO_PRINT = -1;
    Nd4j.MAX_ELEMENTS_PER_SLICE = -1;
    Nd4j.ENFORCE_NUMERICAL_STABILITY = true;
    final int numRows = 4;
    final int numColumns = 1;
    int outputNum = 3;
    int numSamples = 150;
    int batchSize = 150;
    int iterations = 100;
    int seed = 123;
    int listenerFreq = iterations/5;

    DataSetIterator iter = new IrisDataSetIterator(batchSize, numSamples);

    // Loads data into generator and format consumable for NN
    DataSet iris = iter.next();
    iris.normalize();
    //iris.scale();
    System.out.println(iris.getFeatureMatrix());

    NeuralNetConfiguration conf = new NeuralNetConfiguration.Builder()
            // Gaussian for visible; Rectified for hidden
            // Set contrastive divergence to 1
            .layer(new RBM.Builder()
                    .nIn(numRows * numColumns) // Input nodes
                    .nOut(outputNum) // Output nodes
                    .activation("tanh") // Activation function type
                    .weightInit(WeightInit.XAVIER) // Weight initialization
                    .lossFunction(LossFunctions.LossFunction.XENT)
                    .updater(Updater.NESTEROVS)
                    .build())
            .seed(seed) // Locks in weight initialization for tuning
            .iterations(iterations)
            .learningRate(1e-1f) // Backprop step size
            .momentum(0.5) // Speed of modifying learning rate
            .optimizationAlgo(OptimizationAlgorithm.STOCHASTIC_GRADIENT_DESCENT) // ^^ Calculates gradients
            .build();

    Layer model = LayerFactories.getFactory(conf.getLayer()).create(conf);
    model.setListeners(Arrays.asList((IterationListener) new ScoreIterationListener(listenerFreq)));

    model.fit(iris.getFeatureMatrix());
    System.out.println(model.activate(iris.getFeatureMatrix(), false));
}

Answer 1

对于b），当你调用activate（）时，你会得到一个“nlayers”数组列表。列表中的每个数组都是一层的激活。数组本身由行组成：每个输入向量1行;每列包含该层中每个神经元的激活和此观察（输入）。使用某些输入激活所有图层后，可以使用RBM.propDown（）方法进行重建。

至于a），我担心正确训练RBM是非常棘手的。所以你真的想要玩每个参数，更重要的是，在培训过程中监控各种指标，这些指标可以为您提供有关是否正确培训的一些提示。就个人而言，我喜欢绘图：

训练语料库中的得分（），即每次梯度更新后的重建错误;检查它是否会减少。
另一个开发语料库中的得分（）：在过度拟合时发出警告非常有用;
参数向量的范数：它对得分有很大影响
两个激活图（=在语料库上一层的激活神经元的XY矩形图），刚刚初始化后和N步之后：这有助于检测不可靠的训练（例如：当所有都是黑/白时，大部分时所有神经元永远不会被激活等。）

需要一些帮助deeplearning4j单RBM使用

1 个答案: