小编Mys*_*Guy的帖子

我想绘制神经网络的学习误差曲线与训练样本的数量.这是代码:

import sklearn
import numpy as np
from sklearn.model_selection import learning_curve
import matplotlib.pyplot as plt
from sklearn import neural_network
from sklearn import cross_validation

myList=[]
myList2=[]
w=[]

dataset=np.loadtxt("data", delimiter=",")
X=dataset[:, 0:6]
Y=dataset[:,6]
clf=sklearn.neural_network.MLPClassifier(hidden_layer_sizes=(2,3),activation='tanh')

# split the data between training and testing
X_train, X_test, Y_train, Y_test = cross_validation.train_test_split(X, Y, test_size=0.25, random_state=33)

# begin with few training datas
X_eff=X_train[0:int(len(X_train)/150), : ]
Y_eff=Y_train[0:int(len(Y_train)/150)]

k=int(len(X_train)/150)-1


for m in range (140) :


    print (m)

    w.append(k)

    # train the model and store the training error
    A=clf.fit(X_eff,Y_eff)
    myList.append(1-A.score(X_eff,Y_eff)) …

我想知道LSTM如何在Keras工作.例如,在本教程中,与许多其他教程一样,您可以找到如下内容:

model.add(LSTM(4, input_shape=(1, look_back)))

"4"是什么意思.它是图层中神经元的数量.通过神经元,我的意思是每个实例给出一个输出？

实际上,我发现了这个明智的讨论, 但并没有真正相信参考文献中提到的解释.

在该方案中,人们可以看到num_units说明,我认为我没有错的话,每个这个单位是一个非常原子LSTM单元(即4门).但是,这些单位是如何连接的？如果我是对的(但不确定),x_(t-1)是大小nb_features,所以每个功能都是一个单位的输入,num_unit必须等于nb_features正确？

现在,我们来谈谈keras.我已阅读此帖和接受的答案并遇到麻烦.的确,答案是:

基本上,形状就像(batch_size,timespan,input_dim),其中input_dim可以有不同的unit

在这种情况下 ？我在之前的参考文献中遇到了麻烦......

而且,它说,

Keras中的LSTM仅定义一个LSTM块,其单元长度为单位长度.

好的,但是如何定义完整的LSTM图层呢？是否input_shape隐含地创建了与数量一样多的块time_steps(根据我是input_shape我的代码中参数的第一个参数？

谢谢你照亮我

编辑:是否也可以清楚地详细说明如何重塑(n_samples, n_features)有状态LSTM模型的数据？如何处理time_steps和batch_size？

我有一个安装了cuda的Nvidia图形卡。我将qt用作IDE，在我的.pro中，需要放置cuda的include和libs路径。不幸的是，配置图形卡的不是我，做图形卡的人也没有提醒他们将库放在哪里并包括文件...如何快速找到它们（或者它们在哪里）。

（我在Ubuntu上工作）

谢谢

我希望,从给定的数组中,生成通过交换数组中每个可能的元素获得的所有数组,基本上是$\frac {n\cdot(n-1)} {2} $.制作它的最简单方法是什么？

[编辑]:例如,如果我有[1 2 3 4]阵列,我会生成[1 3 2 4],[1 2 4 3],[1 4 3 2],[2 1 3 4],[3 2 1 4]和[4 2 3 1]

我想在 Colab 上制作一个深度学习系统。我的数据存储在笔记本电脑的本地文件夹中，但我不知道如何访问它。

当我这样做时，它给了我一个错误：

import os
output = [dI for dI in os.listdir(main_folder) if os.path.isdir(os.path.join(main_folder,dI))]
print (output)

[Errno 2] 没有这样的文件或目录：

main_folder 是本地路径： C:/.../.../

感谢帮助

我想轻松计算 NumPy 数组中元素的数量，但我不知道它们的尺寸。是否有一个通用函数可以计算数组中元素的数量，numpy无论其维度是多少？

我想在 Matlab 中做以下事情：给定一个矩阵 H，我想构建一个相同大小的矩阵 H*，使得 H*(:,i) 是下一列的总和（即 i+1 -> n ) 的 H。例如，如果 H 是

H =

 2     4     7    14
 3     5    11    -3

我期待 H* 是

25    21    14     0
13     8    -3     0

到目前为止，我已经完成了以下代码段，但它涉及一个for循环，所以我不期望它非常有效（特别是，在我将使用的实际应用程序中，我的矩阵将有大量列）。

H_tilde=zeros(size(H));
for i=1:size(H,2)
    H_tilde(:,i)=sum(H(:,i+1:size(H,2)),2);
end

有没有办法让它更好？

我想开发一种用于二元分类的时间序列方法，在 Keras 中使用有状态的 LSTM

这是我的数据的外观。我得到了很多，比如说N，录音。每个记录包含 22 个长度的时间序列M_i(i=1,...N)。我想在 Keras 中使用有状态模型，但我不知道如何重塑我的数据，尤其是我应该如何定义我的batch_size.

这是我如何进行statelessLSTM。我look_back为所有录音创建了长度序列，以便我拥有大小数据(N*(M_i-look_back), look_back, 22=n_features)

这是我为此目的使用的功能：

def create_dataset(feat,targ, look_back=1):
    dataX, dataY = [], []
#     print (len(targ)-look_back-1)
    for i in range(len(targ)-look_back):
        a = feat[i:(i+look_back), :]
        dataX.append(a)
        dataY.append(targ[i + look_back-1])
    return np.array(dataX), np.array(dataY)

其中feat是大小的二维数据数组(n_samples, n_features)（对于每个记录），targ是目标向量。

所以，我的问题是，根据上面解释的数据，如何为有状态模型重塑数据并考虑批处理概念？有什么预防措施吗？

我想要做的是能够将每个录音的每个 time_step 分类为癫痫发作/非癫痫发作。

编辑：我想到的另一个问题是：我的录音包含不同长度的序列。我的有状态模型可以学习每个记录的长期依赖关系，这意味着 batch_size 从一个记录到另一个记录不同......如何处理？在完全不同的序列（test_set）上进行测试时会不会导致泛化问题？

谢谢

KNNClassifier我正在MNIST 数字数据集上训练 sklearn 。

这是代码：

knn = KNeighborsClassifier()

start_time = time.time()
print (start_time)
knn.fit(X_train, y_train)
elapsed_time = time.time() - start_time

print (elapsed_time)

需要40秒。然而，当我对测试数据进行测试时，需要花费几分钟以上（仍在运行），而测试数据比训练数据少6倍。

这是代码：

y_pred = knn.predict(X_test)
print(confusion_matrix(y_test,y_pred))

您能解释一下为什么需要这么多时间（比训练时间还多）吗？有什么办法可以解决这个问题吗？