Python Pybrain前馈神经网络训练错误完全卡住

嘿，伙计们，我的pybrain代码需要一些帮助。一切都很好，但在第一次训练后，训练错误不会下降。事实上，它只是停留在13.3484055174。我已经多次检查我的代码，并将其与其他示例进行比较，但我始终遇到相同的问题。我也尝试过改变隐藏单位的数量、学习率、动量和权重衰减，但都没有效果。我检查了参数，它从[-1到1]开始，然后爆炸到240-250。我想知道是否有人知道为什么它不起作用。我肯定这是一个非常简单的一行，我错过了

我正在研究kaggle 0-9位分类数据集。我已经让randomforest工作了，但我真的想让这个神经网络也工作。任何帮助都会得到极大的感谢

#learn digit classification with a nerual network

import pybrain
from pybrain.datasets import *
from pybrain.tools.shortcuts import buildNetwork
from pybrain.supervised.trainers import BackpropTrainer
from pybrain.structure.modules   import SoftmaxLayer
from pybrain.utilities           import percentError
import numpy

print "Importing training and test data"
data = numpy.genfromtxt('trainR.csv', delimiter = ',')
data = data[1:]
traindata = data[:(len(data)/2)]
testdata = data[(len(data)/2)+1:]

print "Importing actual data"
actualdata = numpy.genfromtxt('trainR.csv', delimiter = ',')

print "Adding samples to dataset and setting up neural network"
ds = ClassificationDataSet(784, 10, nb_classes = 10)
for x in traindata:
    ds.addSample(tuple(x[1:]),tuple(x[0:1]))
ds._convertToOneOfMany( bounds=[0,1] )
net = buildNetwork(784, 100, 10, bias=True, outclass=SoftmaxLayer)

print "Training the neural network"
trainer = BackpropTrainer(net, dataset=ds, momentum = 0.1,
                    verbose = True, weightdecay = 0.01)
for i in range(3):
    # train the network for 1 epoch
    trainer.trainEpochs( 1 )

    # evaluate the result on the training and test data
    trnresult = percentError( trainer.testOnClassData(), [x[0] for x in traindata] )

    # print the result
    print "epoch: " + str(trainer.totalepochs) + "  train error: " + str(trnresult)

print ""
print "Predicting with the neural network"
answerlist = []
for row in testdata:
    answer = numpy.argmax(net.activate(row[1:]))
    answerlist.append(answer)
tstresult = percentError(answerlist, [x[0] for x in testdata])
print "Test error: " + str(tstresult)

试着改变

 ds = ClassificationDataSet(784, 10, nb_classes = 10)

到

我认为

ClassificationDataSet

第二个参数是目标的维度，而不是nb_类给出的类数。这取决于数据的组织方式。最好是将每个目标作为每个类的整数输入，然后使用

\u convertToOneOfMany（）

如果你能提供你的第一个样品，那会很有用的

ds = ClassificationDataSet(784, 1, nb_classes = 10)