Java 需要一些关于深入学习4J单一RBM用法的帮助吗

我有一堆传感器，我真的只想重建输入

所以我想要的是：

训练完模型后，我将通过特征矩阵

得到重构后的特征矩阵

我想调查哪些传感器值与重建值完全不同

因此，我认为RBM将是正确的选择，因为我已经习惯了Java，所以我尝试使用deeplearning4j。但我很早就被卡住了。如果运行以下代码，我将面临两个问题

结果与正确的预测相差甚远，大多数预测结果都只是[1.00,1.00,1.00]

我希望返回4个值（这是预期重建的输入数）

那么我需要调整什么才能得到a）更好的结果和b）恢复重建的输入

public static void main(String[] args) {
    // Customizing params
    Nd4j.MAX_SLICES_TO_PRINT = -1;
    Nd4j.MAX_ELEMENTS_PER_SLICE = -1;
    Nd4j.ENFORCE_NUMERICAL_STABILITY = true;
    final int numRows = 4;
    final int numColumns = 1;
    int outputNum = 3;
    int numSamples = 150;
    int batchSize = 150;
    int iterations = 100;
    int seed = 123;
    int listenerFreq = iterations/5;

    DataSetIterator iter = new IrisDataSetIterator(batchSize, numSamples);

    // Loads data into generator and format consumable for NN
    DataSet iris = iter.next();
    iris.normalize();
    //iris.scale();
    System.out.println(iris.getFeatureMatrix());

    NeuralNetConfiguration conf = new NeuralNetConfiguration.Builder()
            // Gaussian for visible; Rectified for hidden
            // Set contrastive divergence to 1
            .layer(new RBM.Builder()
                    .nIn(numRows * numColumns) // Input nodes
                    .nOut(outputNum) // Output nodes
                    .activation("tanh") // Activation function type
                    .weightInit(WeightInit.XAVIER) // Weight initialization
                    .lossFunction(LossFunctions.LossFunction.XENT)
                    .updater(Updater.NESTEROVS)
                    .build())
            .seed(seed) // Locks in weight initialization for tuning
            .iterations(iterations)
            .learningRate(1e-1f) // Backprop step size
            .momentum(0.5) // Speed of modifying learning rate
            .optimizationAlgo(OptimizationAlgorithm.STOCHASTIC_GRADIENT_DESCENT) // ^^ Calculates gradients
            .build();

    Layer model = LayerFactories.getFactory(conf.getLayer()).create(conf);
    model.setListeners(Arrays.asList((IterationListener) new ScoreIterationListener(listenerFreq)));

    model.fit(iris.getFeatureMatrix());
    System.out.println(model.activate(iris.getFeatureMatrix(), false));
}

对于b），当调用activate（）时，会得到一个“nlayers”数组列表。列表中的每个数组都是一个层的激活。数组本身由行组成：每个输入向量1行；每列包含该层中每个神经元的激活和该观察（输入）。 一旦所有层都被一些输入激活，就可以使用RBM.propDown（）方法进行重建

至于a），我担心正确地训练RBM是非常棘手的。 所以你真的想处理每个参数，更重要的是， 在培训期间监控各种指标，这些指标将为您提供有关培训是否正确的提示。就我个人而言，我喜欢策划：

• 训练语料库上的分数（），即每次梯度更新后的重建误差；检查它是否减少
• 另一个开发语料库上的分数（）：在出现过度拟合时警告有用
• 参数向量的范数：它对分数有很大的影响
• 两个激活图（=语料库上一层激活神经元的XY矩形图），仅在初始化之后和N步之后：这有助于检测不可靠的训练（例如：当全部为黑/白时，当大部分神经元从未激活时，等等）
对于b），当您调用activate（）时，您将得到一个“nlayer”数组列表。列表中的每个数组都是一个层的激活。数组本身由行组成：每个输入向量1行；每列包含该层中每个神经元的激活和该观察（输入）。 一旦所有层都被一些输入激活，就可以使用RBM.propDown（）方法进行重建
至于a），我担心正确地训练RBM是非常棘手的。 所以你真的想处理每个参数，更重要的是， 在培训期间监控各种指标，这些指标将为您提供有关培训是否正确的提示。就我个人而言，我喜欢策划：
• 训练语料库上的分数（），即每次梯度更新后的重建误差；检查它是否减少
• 另一个开发语料库上的分数（）：在出现过度拟合时警告有用
• 参数向量的范数：它对分数有很大的影响
• 两个激活图（=语料库上一层激活神经元的XY矩形图），仅在初始化之后和N步之后：这有助于检测不可靠的训练（例如：当全部为黑/白时，当大部分神经元从未激活时，等等）

---

请加入我们在Gitter上的活动社区。我们可以帮助你：请加入我们在吉特的社区是活跃的。我们可以帮助您：