Arrays 难以理解mxnet nn所需的矩阵布局

获取了一个数据帧，其中列2:37作为变量，列1作为二进制响应变量

mx.set.seed(1234)
train.x = data.matrix(A3n.df[,2:37])
train.y = A3n.df[,1]

data <- mx.symbol.Variable("data")
fc1 <- mx.symbol.FullyConnected(data, name="fc1", num_hidden=12)
act1 <- mx.symbol.Activation(fc1, name="relu1", act_type="relu")
fc2 <- mx.symbol.FullyConnected(act1, name="fc2", num_hidden=1)
logoutput <- mx.symbol.LogisticRegressionOutput(fc2, name="logoutput")

A1.MXmodel <- mx.model.FeedForward.create(logoutput, X=train.x, y=train.y,
                                     ctx=mx.gpu(), num.round=1000, array.batch.size=100,
                                     learning.rate=0.01, momentum=0.9,  eval.metric=mx.metric.accuracy,
                                     initializer=mx.init.uniform(0.07),
                                     epoch.end.callback=mx.callback.log.train.metric(100))

就在几天前，我使用了：

train.x <- t(train.x)

---

在mx.model.FeedForward.create的调用中，您需要更改的内容很少：

从列车上移除转置

删除eval.metric=mx.metric.accurity（如果要查看培训进度，请将其替换为eval.metric=mx.metric.rmse）

（可选）设置array.layout=“rowmajor”以指示示例在行中，要素在列中。Mxnet足够智能，可以自动检测到它，但它会删除输出中的恶意消息

最后一次呼叫将如下所示：

A1.MXmodel <- mx.model.FeedForward.create(logoutput, X=train.x, y=train.y,
                                      ctx=mx.gpu(), num.round=1000, array.batch.size=100,
                                      learning.rate=0.01, momentum=0.9,
                                      initializer=mx.init.uniform(0.07),
                                      eval.metric=mx.metric.rmse,
                                      array.layout = "rowmajor",
                                      epoch.end.callback=mx.callback.log.train.metric(100))

---

A1.MXmodel在mx.model.FeedForward.create的调用中，您需要更改的内容很少：

从列车上移除转置
删除eval.metric=mx.metric.accurity（如果要查看培训进度，请将其替换为eval.metric=mx.metric.rmse）
（可选）设置array.layout=“rowmajor”以指示示例在行中，要素在列中。Mxnet足够智能，可以自动检测到它，但它会删除输出中的恶意消息
最后一次呼叫将如下所示：

A1.MXmodel <- mx.model.FeedForward.create(logoutput, X=train.x, y=train.y,
                                      ctx=mx.gpu(), num.round=1000, array.batch.size=100,
                                      learning.rate=0.01, momentum=0.9,
                                      initializer=mx.init.uniform(0.07),
                                      eval.metric=mx.metric.rmse,
                                      array.layout = "rowmajor",
                                      epoch.end.callback=mx.callback.log.train.metric(100))

A1.MXmodel看起来像是你搞定了。我得到了可信的结果与Softmax输出（约60%的训练精度）。合并插入符号网格搜索进行超参数优化仍然存在一些问题，但我会将其保存到下一次。看起来你解决了。我得到了可信的结果与Softmax输出（约60%的训练精度）。在合并插入符号网格搜索进行超参数优化时仍然存在一些问题，但我会将其保存到下一次。
A1.MXmodel <- mx.model.FeedForward.create(logoutput, X=train.x, y=train.y,
                                      ctx=mx.gpu(), num.round=1000, array.batch.size=100,
                                      learning.rate=0.01, momentum=0.9,
                                      initializer=mx.init.uniform(0.07),
                                      eval.metric=mx.metric.rmse,
                                      array.layout = "rowmajor",
                                      epoch.end.callback=mx.callback.log.train.metric(100))