Вопрос: Как передать значения в модель и вернуть предикт класса MNIST

[karuzzo]

Вопрос: Как передать значения в модель и вернуть предикт класса MNIST

[StanislavGrigoriev]

Вы все делаете правильно, проблема внутри метода Predict(), сегодня выпущу обновление, устраняющее эту ошибку. Вам потребуется только обновиться и все заработает.

[karuzzo]

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. ))

[StanislavGrigoriev]

Не совсем понял что вы имеет ввиду под обучением с 3 выборками.
Эти выборки вообще имеют такой смысл:

1. тренировочная - это та выборка, на которой вы непосредственно обучаете модель.
2. валидационная - это та выборка, на которой вы подбираете оптимальные гиперпараметры для обучения.
3. 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:

1. установили скорость обучения 0.1
2. обучили модель на тренировочной выборке с этой скоростью (0.1)
3. проверили полученную модель на валидационной выборке - получили точность 90%
4. установили скорость обучения 0.2
5. заново обучили модель на тренировочной выборке с этой скоростью (0.2)
6. проверили полученную модель на валидационной выборке - получили точность 80%
7. 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:

1. разбиваете ваш датасет методом Split() на 2 части: тренировочную и проверочную
2. разбиваете проверочную методом Split() на 2 части, получится валидационная и тестовая выборки
3. 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.

[karuzzo]

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.