Làm thế nào để xây dựng một Net Neural Convolution trong học máy Azure?

Question

Ai đó phải thêm "net #" làm thẻ. Tôi đang cố gắng để cải thiện mạng lưới thần kinh của tôi trong Azure Machine Learning Studio bằng cách biến nó thành một mạng lưới thần kinh chập sử dụng hướng dẫn này:

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

Sự khác biệt giữa tôi và các hướng dẫn được tôi đang làm hồi quy với 35 các tính năng và 1 nhãn và chúng đang phân loại với các tính năng 28x28 và 10 nhãn.

tôi bắt đầu với những ví dụ cơ bản và thứ 2 và nhận được chúng làm việc với:

input Data [35]; 

hidden H1 [100] 
    from Data all; 

hidden H2 [100] 
    from H1 all; 

output Result [1] linear 
    from H2 all; 

Bây giờ việc chuyển đổi để chập tôi hiểu lầm. Trong hướng dẫn và tài liệu ở đây: https://docs.microsoft.com/en-us/azure/machine-learning/machine-learning-azure-ml-netsharp-reference-guide nó không đề cập đến cách các giá trị nút tuple được tính toán cho các lớp ẩn. Hướng dẫn cho biết:

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; 
    } 

Có vẻ như [5, 12, 12] và [50,4,4] không xuất hiện ở đâu cùng với KernalShape, Stride và MapCount. Làm cách nào để biết giá trị nào hợp lệ cho ví dụ của tôi? Tôi đã thử sử dụng các giá trị tương tự, nhưng nó không hoạt động và tôi có cảm giác vì anh ấy có đầu vào [28,28] và tôi có [35], tôi cần tuples với 2 số nguyên không 3.

I chỉ thử với các giá trị ngẫu nhiên mà dường như tương quan với hướng dẫn:

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; 

ngay bây giờ có vẻ như không thể gỡ lỗi vì mã lỗi chỉ Azure Machine Learning Studio bao giờ cho là:

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 

Cuối cùng cài đặt của tôi là

Cảm ơn sự giúp đỡ!

Answer 1

Định nghĩa mạng đúng cho 35 cột chiều dài đầu vào với hạt nhân nhất định và những bước tiến sẽ được như sau:

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; 

Thứ nhất, C1 = [7,15]. Thứ nguyên đầu tiên đơn giản là MapCount. Đối với chiều thứ hai, hình dạng hạt nhân xác định chiều dài của "cửa sổ" được sử dụng để quét các cột đầu vào và stride xác định mức độ di chuyển của nó ở mỗi bước. Vì vậy, các cửa sổ hạt nhân sẽ bao gồm các cột 1-7, 3-9, 5-11, ..., 29-35, cho ra kích thước thứ hai là 15 khi bạn kiểm tra các cửa sổ.

Tiếp theo, C2 = [14,7,5]. Kích thước đầu tiên lại là MapCount. Đối với kích thước thứ hai và thứ ba, cửa sổ "hạt nhân 1" phải có kích thước đầu vào là 7 x 15, sử dụng các bước 1 và 2 dọc theo kích thước tương ứng.

Lưu ý rằng bạn có thể chỉ định hình dạng lớp ẩn C2 [98,5] hoặc thậm chí [490], nếu bạn muốn làm phẳng các đầu ra.