Question

获得一个数据框，其中列2:37作为变量，第一列作为二元响应变量。

mx.set.seed(1234)
train.x = data.matrix(A3n.df[,2:37])
train.y = A3n.df[,1]

data <- mx.symbol.Variable("data")
fc1 <- mx.symbol.FullyConnected(data, name="fc1", num_hidden=12)
act1 <- mx.symbol.Activation(fc1, name="relu1", act_type="relu")
fc2 <- mx.symbol.FullyConnected(act1, name="fc2", num_hidden=1)
logoutput <- mx.symbol.LogisticRegressionOutput(fc2, name="logoutput")

A1.MXmodel <- mx.model.FeedForward.create(logoutput, X=train.x, y=train.y,
                                     ctx=mx.gpu(), num.round=1000, array.batch.size=100,
                                     learning.rate=0.01, momentum=0.9,  eval.metric=mx.metric.accuracy,
                                     initializer=mx.init.uniform(0.07),
                                     epoch.end.callback=mx.callback.log.train.metric(100))

导致错误：

Error in mx.io.internal.arrayiter(as.array(data), as.array(label), unif.rnds,  : 
  io.cc:50: Seems X, y was passed in a Row major way, MXNetR adopts a column major convention.
Please pass in transpose of X instead

就在几天前我用过：

train.x <- t(train.x)

修正了错误并产生了足够低的错误率以使其可信，但今天，它几乎没有学习.50。我也试过将array.layout切换到rowmajor / colmajor而没效果。

[16] Train-accuracy=0.460714285714286
[17] Train-accuracy=0.460714285714286
[18] Train-accuracy=0.460714285714286
[19] Train-accuracy=0.460714285714286
[20] Train-accuracy=0.460714285714286
[993] Train-accuracy=0.460714285714286
[994] Train-accuracy=0.460714285714286
[995] Train-accuracy=0.460714285714286
[996] Train-accuracy=0.460714285714286
[997] Train-accuracy=0.460714285714286
[998] Train-accuracy=0.460714285714286
[999] Train-accuracy=0.460714285714286
[1000] Train-accuracy=0.460714285714286

Answer 1

在调用mx.model.FeedForward.create时，您需要更改一些内容才能使其正常工作：

从train.x中移除转置。
删除eval.metric = mx.metric.accuracy（如果您想查看培训进度，请将其替换为eval.metric = mx.metric.rmse）
（可选）设置array.layout =“rowmajor”以指示您的示例在行中，并且功能在列中。 Mxnet足够聪明，可以自动检测它，但它会删除输出中令人讨厌的消息

最终通话将如下所示：

A1.MXmodel <- mx.model.FeedForward.create(logoutput, X=train.x, y=train.y,
                                      ctx=mx.gpu(), num.round=1000, array.batch.size=100,
                                      learning.rate=0.01, momentum=0.9,
                                      initializer=mx.init.uniform(0.07),
                                      eval.metric=mx.metric.rmse,
                                      array.layout = "rowmajor",
                                      epoch.end.callback=mx.callback.log.train.metric(100))

事实是，作为评估指标的准确性不能与逻辑回归符号的输出一起使用。如果你看一下the example on how Accuracy is calculated（对不起，只有python），你会发现每个子数组中的元素数量应该等于类的数量。但LogisticRegressionOuput只产生1个输出，因此不能直接与Accuracy指标一起使用。

如果您仍想使用准确度指标，则需要：

将fs2的隐藏单位数设置为2（班级数）

fc2＆lt; - mx.symbol.FullyConnected（act1，name =“fc2”，num_hidden = 2）
使用SoftmaxOutput作为最后一层：

logoutput＆lt; - mx.symbol.SoftmaxOutput（fc2，name =“logoutput”）

SoftmaxOutput产生的2个输出等于隐藏层中的单位数，因此可以正确计算精度。

干杯。

难以理解mxnet nn所需的矩阵布局

1 个答案: