Comments (4)
Вы все делаете правильно, проблема внутри метода Predict(), сегодня выпущу обновление, устраняющее эту ошибку. Вам потребуется только обновиться и все заработает.
from easycntk.
Хорошо, это радует!
Отступая немного от темы, скажу свои пожелания, хотелось бы в будущем увидеть реализацию обучения с 3мя выборками: тренировочной, валидационной и тестовой. Честно признаюсь что сам я не знаю способа реализовать валидацию результата обучения вне методов вашей библиотеки, конечно я могу сохранять результаты обучения каждой эпохи и по завершению процесса обучения пробегать по ним валидационной выборкой а за тем тестовой, но что то мне подсказывает что это совсем не так работает. ))
from easycntk.
Не совсем понял что вы имеет ввиду под обучением с 3 выборками.
Эти выборки вообще имеют такой смысл:
- тренировочная - это та выборка, на которой вы непосредственно обучаете модель.
- валидационная - это та выборка, на которой вы подбираете оптимальные гиперпараметры для обучения.
- тестовая - это та выборка, на которой вы проверяете качество модели, которую вы обучили используя оптимальные гиперпараметры, подобранные с использованием валидационной выборки
Условно процесс подбора оптимальной скорости обучения (один из гиперпараметров) выглядит так:
- установили скорость обучения 0.1
- обучили модель на тренировочной выборке с этой скоростью (0.1)
- проверили полученную модель на валидационной выборке - получили точность 90%
- установили скорость обучения 0.2
- заново обучили модель на тренировочной выборке с этой скоростью (0.2)
- проверили полученную модель на валидационной выборке - получили точность 80%
- приняли для себя, что оптимально будет обучать со скоростью 0.1, поскольку она дает большую точность, чем со скоростью 0.2
Естественно всевозможных вариантов очень много, учитывая число гиперпараметров и их возможных значений. Поэтому это больше один из подходов к обучению, который можно применить у любому алгоритму. Можно вообще обойтись без валидационной выборки. В каждом конкретном случае свой подход.
Если же вы хотите каждую эпоху видеть какая ошибка на валидационной выборке, то это можно сделать очень просто:
- разбиваете ваш датасет методом Split() на 2 части: тренировочную и проверочную
- разбиваете проверочную методом Split() на 2 части, получится валидационная и тестовая выборки
- дальше при обучении, в параметре-делегате actionPerEpoch оцениваете качество текущей модели на валидационной выборке и выводите куда нужно
Сразу стоит отметить что это значительно замедлит скорость обучения, поскольку каждую эпоху вам нужно будет пробегаться по всем примерам валидационной выборки чтобы оценить качество модели.
from easycntk.
Спасибо за столь развернутый ответ! Я пока плохо разобрался с нейросетями, но я стараюсь )) того материала который вы прислали мне хватит на несколько месяцев изучения, и надеюсь не раздражаю вас своим невежеством. Под тренировочной, валидационной и тестовой выборкой я имел в виду как раз то что вы написали. Заговорил о выборках так как имел дело с подобной ситуацией в ml.net(диплернинга думаю в этом фреймворке нет), в котором была реализация метода .Fit также как у вас в нескольких перегрузках, при этом качество модели some_model.Fit(trainData, validationData); во многом превосходило sаme_model(trainData); к сожалению внутреннею организацию метода я не знаю. Но обязательно попробую приметить то что вы написали.
from easycntk.
Related Issues (5)
Recommend Projects
-
React
A declarative, efficient, and flexible JavaScript library for building user interfaces.
-
Vue.js
🖖 Vue.js is a progressive, incrementally-adoptable JavaScript framework for building UI on the web.
-
Typescript
TypeScript is a superset of JavaScript that compiles to clean JavaScript output.
-
TensorFlow
An Open Source Machine Learning Framework for Everyone
-
Django
The Web framework for perfectionists with deadlines.
-
Laravel
A PHP framework for web artisans
-
D3
Bring data to life with SVG, Canvas and HTML. 📊📈🎉
-
Recommend Topics
-
javascript
JavaScript (JS) is a lightweight interpreted programming language with first-class functions.
-
web
Some thing interesting about web. New door for the world.
-
server
A server is a program made to process requests and deliver data to clients.
-
Machine learning
Machine learning is a way of modeling and interpreting data that allows a piece of software to respond intelligently.
-
Visualization
Some thing interesting about visualization, use data art
-
Game
Some thing interesting about game, make everyone happy.
Recommend Org
-
Facebook
We are working to build community through open source technology. NB: members must have two-factor auth.
-
Microsoft
Open source projects and samples from Microsoft.
-
Google
Google ❤️ Open Source for everyone.
-
Alibaba
Alibaba Open Source for everyone
-
D3
Data-Driven Documents codes.
-
Tencent
China tencent open source team.
from easycntk.