在R中并行训练多个网络(使用Keras)
我想在R中并行训练n个不同的神经网络,我该怎么做?我对并行化相当陌生,所以我觉得这有点困难 以下是我的1个网络代码(到目前为止):在R中并行训练多个网络(使用Keras),r,keras,parallel-processing,deep-learning,R,Keras,Parallel Processing,Deep Learning,我想在R中并行训练n个不同的神经网络,我该怎么做?我对并行化相当陌生,所以我觉得这有点困难 以下是我的1个网络代码(到目前为止): 模型%layer\u density(单位=高度,激活=“relu”,输入\u形状=1) 用于(1中的i:深度){ 模型%>%层密度(单位=高度,激活=“relu”,输入形状=1) } #读出层(ffNN) 模型%>%层密度(单位=1) #编译(ffNN) 模型%>%keras::编译(loss=“mse”, optimizer=“adam”, metrics=“m
模型%layer\u density(单位=高度,激活=“relu”,输入\u形状=1)
用于(1中的i:深度){
模型%>%层密度(单位=高度,激活=“relu”,输入形状=1)
}
#读出层(ffNN)
模型%>%层密度(单位=1)
#编译(ffNN)
模型%>%keras::编译(loss=“mse”,
optimizer=“adam”,
metrics=“mse”)
##报告模型(摘要)
型号%>%摘要()
#拟合ffNN
fit.ffNN.start您在网络上找不到任何东西如何在R中并行McLappy
,Lappy,
Parlappy`是一条路要走,而且确实用于fit
方法,因此我对所有人都有点陌生,所以我做的事情让人困惑。抱歉,如果这是一个基本问题。不用担心,但我认为在R中进行并行化的教程通常最适合您,例如,等等。您看到了吗?所以我应该将其包装成一个函数(输入为空),然后执行mcapply?
model<-keras_model_sequential()
# Define bulk of the network
model %>% layer_dense(units=Height,activation = "relu",input_shape = 1)
for(i in 1:Depth){
model %>% layer_dense(units=Height,activation = "relu",input_shape = 1)
}
# Readout Layer (ffNN)
model %>% layer_dense(units=1)
# Compile (ffNN)
model %>% keras::compile(loss="mse",
optimizer="adam",
metrics="mse")
## Report Model (Summary)
model %>% summary()
# Fit ffNN
fit.ffNN.start<-Sys.time()
fittedmodel<- model %>%
keras::fit(train_data,
trainingtarget,
epochs=epochs,
batch_size=(round(min(1,abs(Batch.size.percent))*nrow(train_data),digits = 0)), # Computes batch-size as a percentage of total data-size
)
fit.ffNN.end<-Sys.time()