java - 需要一些关于 deeplearning4j 单 RBM 使用的帮助

Question

我有一堆传感器，我真的只想重建输入。

所以我想要的是这样的:

1. 训练完模型后，我将传入我的特征矩阵
2. 取回重建的特征矩阵
3. 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，并且由于我习惯了 Java，所以我尝试使用 deeplearning4j。但我很早就陷入困境。如果您运行以下代码，我将面临两个问题。

1. 结果与正确的预测相差甚远，大多数只是[1.00,1.00,1.00]。

2. 我希望返回 4 个值(这是预期重建的输入数量)

那么我必须调整什么才能获得 a) 更好的结果和 b) 恢复重建的输入？

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”数组的列表。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 vector 1 行；每列包含该层中每个神经元的激活以及该观察(输入)。一旦使用一些输入激活了所有层，您就可以使用 RBM.propDown() 方法进行重建。

至于a)，恐怕正确训练RBM是非常棘手的。所以你真的想尝试每个参数，更重要的是，在训练期间监控各种指标，这些指标会给你一些关于训练是否正确的提示。就我个人而言，我喜欢绘制:

• 训练语料上的score()，即每次梯度更新后的重建误差；检查它是否减少。
• 另一个开发语料库上的score():在发生过度拟合时发出警告很有用；
• 参数 vector 的范数:对分数影响较大
• 两个激活图(= 语料库上一层激活神经元的 XY 矩形图)，在初始化之后和 N 个步骤之后:这有助于检测不可靠的训练(例如:当一切都是黑/白时、当所有神经元的很大一部分从未被激活时等)