Python-使用Sklearn在MNIST数据集上训练MLP

Question

我想使用python中的Sklearn在6000x784的数据集上训练MLP。我的网络具有以下内容：

• 784个输入（加上偏差）
• 两个每层100个的隐藏层
• 10个输出单位
• 隐藏单元的ReLU激活功能，输出端的softmax功能

以下是我的代码

import scipy.io
from sklearn.neural_network import MLPClassifier

# Extracting the training data
x = scipy.io.loadmat('mnist_train.mat')
data = x['train_X']
label = x['train_labels']

# Extracting the test data
x = scipy.io.loadmat('mnist_test.mat')
testData = x['test_X']
testLabel = x['test_labels']

# Training and fitting the model
clf = MLPClassifier(solver='lbfgs', alpha=1e-5, hidden_layer_sizes=(100, 2), activation="relu")
clf.fit(data, label)

我想执行以下操作：

• 从随机权重初始化中训练我的网络50次。
• 在每次训练结束时，通过将误差值作为最后一列包括在内，将权重矢量和训练集误差值提取并保存到文本文件（.csv，以空格分隔）。预计这将导致文件包含50行和大量列

如何提供随机权重初始化并保存权重向量以及上述训练集误差值？

谢谢。