多層神經網絡中的權重

我正在爲我的研究開發一個多層神經網絡。但是現在我正處於修復中，用戶應該定義他想要的隱藏層數和每層中的神經元數量。我的輸入是矩陣（x，8），我的實際輸出是矩陣（x，2），其中x是我樣本數據中的行數。多層神經網絡中的權重

我通常定義我權重

Weights1 = 2 * np.random.random((Hidden_layer_len,X[0].shape[0])) - 1 
Weights2 = 2 * np.random.random((T[0].shape[0],Hidden_layer_len)) - 1 
W = [Weights1, Weights2]

，其中X是所述輸入，T是從樣本數據表的輸出和Hidden_layer_len是隱藏層的長度，假設有我的輸入之間的一個隱藏層並輸出。

現在，我的要求是，用戶可以在輸入和輸出之間提供他想要的隱藏層的數量，用戶還可以定義每層的神經元數量（hidden_layer_len）。

假設有n層，我如何爲n層創建我的權重以及每層中的神經元數量？

來源

2015-10-14 Sandy.Arv

我會推薦使用Pybrain模塊來輕鬆創建神經網絡。他們的文檔可以在這裏找到：

http://pybrain.org/docs/tutorial/netmodcon.html

的重量會隨機在網絡創作爲你正在嘗試做初始化，並且隱藏神經元和隱藏層的量是可以改變的。每層例如10元隱藏一個簡單的2個隱藏層神經網絡：

from pybrain.structure import FeedForwardNetwork 
n = FeedForwardNetwork() 

from pybrain.structure import LinearLayer, SigmoidLayer 
inLayer = LinearLayer(8) 
hiddenLayer = SigmoidLayer(10) 
hiddenLayer2 = SigmoidLayer(10) 
outLayer = LinearLayer(2) 

n.addInputModule(inLayer) 
n.addModule(hiddenLayer) 
n.addModule(hiddenLayer2) 
n.addOutputModule(outLayer) 

from pybrain.structure import FullConnection 
in_to_hidden = FullConnection(inLayer, hiddenLayer1) 
hidden_to_hidden = FullConnection(hiddenLayer1, hiddenLayer2) 
hidden_to_out = FullConnection(hiddenLayer2, outLayer) 

n.addConnection(in_to_hidden) 
n.addConnection(hidden_to_hidden) 
n.addConnection(hidden_to_out) 

n.sortModules()

來源

2015-10-14 14:29:41

哇。這正是我想要的。謝謝你:) –

沒問題:)我幾個月前開始研究RNN，發現Pybrain爲我節省了很多時間。 –

如果你喜歡冒險，並使用GPU需要一些計算能力。我建議Keras Deep Learning Library。我也從PyBrain開始，但最終我轉向更新更新的庫，如Keras和Theano。 Keras非常容易學習，它能夠以很少的代碼行重現結果的某些狀態。在Keras開發最新功能的背後有一個非常活躍的社區，而PyBrain現在並未處於積極的發展階段。

來源

2016-01-26 16:22:08 dnth

多層神經網絡中的權重

回答

相關問題