Python 使用scikit.MLPREGESSOR对多个数据集进行培训

我目前正在一个更大的数据集上训练我的第一个神经网络。我已经将我的训练数据分割成几个.npy二进制文件，每个文件包含20k个训练样本。我正在加载npy文件中的数据，应用一些简单的预处理操作，然后开始通过在循环中多次应用

partial\u fit

方法来训练我的网络：

for i in range(50):
    nnmodel.partial_fit(X_tr,Y_tr)

我已经读到，常规的

.fit（）

方法不能进行多批次的训练，但相反，部分fit应该可以做到。。我的第一次训练跑总是很顺利。损失正在减少，我得到了很好的拟合结果，所以我使用

joblib.dump

方法保存了我的模型。 对于下一个调用，我将再次使用完全相同的脚本，该脚本从.npy文件加载我的数据（无论我是输入同一批还是另一批），对其进行预处理，这次使用

joblib.load

，加载我预先训练过的模型，然后再次开始执行

partial\u fit

循环。 在第二次运行中，我总是在所有迭代中得到一个恒定的损失，无论我使用什么数据集，错误不再减少：

Iteration 51, loss = 3.93268978
Iteration 52, loss = 3.93268978
Iteration 53, loss = 3.93268978
Iteration 54, loss = 3.93268978 ...

我做错了什么？

---

已经谢谢你了

有几种可能性

模型可能已经收敛了

批处理过程中可能没有足够的传递（在下面的示例中，模型直到约500次迭代才会收敛）

（需要更多信息）

joblib.dump

和

joblib.load

可能以意外方式保存或加载

如果初始化/预处理/训练/可视化都发生在一个脚本中，那么调试可能会更容易，而不是多次调用脚本并在迭代之间转储结果。下面是一个简单的例子：

导入matplotlib.pyplot作为plt
从sklearn.neural_网络导入MLPREGESSOR
从sklearn.dataset导入make_回归
从sklearn.model\u选择导入列车\u测试\u拆分
十、 y=进行回归（n_样本=10000，随机状态=42）
X_序列，X_测试，y_序列，y_测试=序列测试分割（X，y）
regr=MLPREGESSOR（）
损失=[]
测试性能=[]
对于范围内的uu（100）：
#对批次进行100次传递
对于范围（5007501500）内的批次：
#对500个示例的批次执行部分拟合
#模拟批处理，也可以从“.npy”加载这些批处理`
X_列\u批次=X_列[批次-500:批次]
y_列批次=y_列【批次-500:批次】
再生部分配合（X系列批次、y系列批次）
损失追加（再损失）
测试\性能附加（再评分（X \ U测试，y \ U测试））
#绘图结果：
图（ax1，ax2）=plt.子批次（1，2）
ax1.title.set_文本（“培训损失”）
ax2.title.set_文本（“测试集上的分数”）
ax1.绘图（范围（长度（损失）），损失）
ax2.绘图（范围（透镜（测试性能）），测试性能）
plt.show（）

输出：

---

非常感谢，这确实是第三次。你提到的那一点。。。不知怎的，joblib似乎在那里遇到了问题。。