如何在Azure机器学习中构建卷积神经网络？

Question

有人应该添加"net#"作为标签.我正在尝试通过使用本教程将其转换为卷积神经网络来改进Azure机器学习工作室中的神经网络:

https://gallery.cortanaintelligence.com/Experiment/Neural-Network-Convolution-and-pooling-deep-net-2

我和教程之间的差异是我正在使用35个功能和1个标签进行回归,他们正在使用28x28功能和10个标签进行分类.

我从基本和第二个例子开始,让他们使用:

input Data [35];

hidden H1 [100]
    from Data all;

hidden H2 [100]
    from H1 all;

output Result [1] linear
    from H2 all;

现在转变为卷积我误解了.在这里的教程和文档中:https://docs.microsoft.com/en-us/azure/machine-learning/machine-learning-azure-ml-netsharp-reference-guide它没有提到节点元组值的方式计算隐藏层.教程说:

hidden C1 [5, 12, 12]
  from Picture convolve {
    InputShape  = [28, 28];
    KernelShape = [ 5,  5];
    Stride      = [ 2,  2];
    MapCount = 5;
  }

hidden C2 [50, 4, 4]
   from C1 convolve {
     InputShape  = [ 5, 12, 12];
     KernelShape = [ 1,  5,  5];
     Stride      = [ 1,  2,  2];
     Sharing     = [ F,  T,  T];
     MapCount = 10;
  }

看起来像[5,12,12]和[50,4,4]弹出了没有位置的KernalShape,Stride和MapCount.我如何知道哪些值对我的示例有效？我尝试使用相同的值,但它没有工作,我有一种感觉,因为他有一个[28,28]输入和我有[35],我需要2个整数不是3元组.

我只是尝试使用似乎与教程相关的随机值:

const { T = true; F = false; }

input Data [35];

hidden C1 [7, 23]
  from Data convolve {
    InputShape  = [35];
    KernelShape = [7];
    Stride      = [2];
    MapCount = 7;
  }

hidden C2 [200, 6]
   from C1 convolve {
     InputShape  = [ 7, 23];
     KernelShape = [ 1,  7];
     Stride      = [ 1,  2];
     Sharing     = [ F,  T];
     MapCount = 14;
  }

hidden H3 [100]
  from C2 all;

output Result [1] linear
  from H3 all;

现在似乎无法调试,因为Azure机器学习工作室提供的唯一错误代码是:

Exception":{"ErrorId":"LibraryException","ErrorCode":"1000","ExceptionType":"ModuleException","Message":"Error 1000: TLC library exception: Exception of type 'Microsoft.Numerics.AFxLibraryException' was thrown.","Exception":{"Library":"TLC","ExceptionType":"LibraryException","Message":"Exception of type 'Microsoft.Numerics.AFxLibraryException' was thrown."}}}Error: Error 1000: TLC library exception: Exception of type 'Microsoft.Numerics.AFxLibraryException' was thrown. Process exited with error code -2

最后我的设置是

谢谢您的帮助!

Answer 1

对于给定内核和步长的 35 列长度输入，正确的网络定义如下：

const { T = true; F = false; }

input Data [35];

hidden C1 [7, 15]
  from Data convolve {
    InputShape  = [35];
    KernelShape = [7];
    Stride      = [2];
    MapCount = 7;
  }

hidden C2 [14, 7, 5]
   from C1 convolve {
     InputShape  = [ 7, 15];
     KernelShape = [ 1,  7];
     Stride      = [ 1,  2];
     Sharing     = [ F,  T];
     MapCount = 14;
  }

hidden H3 [100]
  from C2 all;

output Result [1] linear
  from H3 all;

首先，C1 = [7,15]。第一个维度就是 MapCount。对于第二个维度，内核形状定义了用于扫描输入列的“窗口”的长度，步幅定义了它在每一步移动的距离。因此，内核窗口将覆盖第 1-7、3-9、5-11、...、29-35 列，当您计算窗口时，会产生第二个维度 15。

接下来，C2 = [14,7,5]。第一个维度仍然是 MapCount。对于第二维和第三维，1×7 内核“窗口”必须覆盖 7×15 的输入大小，沿相应维度使用步骤 1 和 2。

请注意，如果您想展平输出，您可以指定 C2 隐藏层形状为 [98,5] 甚至 [490]。