0
我使用h2o.deeplearning
函數來實現R中的DNN。怎麼做h2o.deeplearning初始化的重量?
我想初始化深度神經網絡的迭代和性能改進的權重。
我知道,稱重初始化應該是-1和+1之間的較小值,而不是一個較大的值。
那麼,什麼是參數代碼中h2o.deeplearning
該initialze重量????以及如何使用它來初始化-1和+1之間?
請幫助我..!
我使用h2o.deeplearning
函數來實現R中的DNN。怎麼做h2o.deeplearning初始化的重量?
我想初始化深度神經網絡的迭代和性能改進的權重。
我知道,稱重初始化應該是-1和+1之間的較小值,而不是一個較大的值。
那麼,什麼是參數代碼中h2o.deeplearning
該initialze重量????以及如何使用它來初始化-1和+1之間?
請幫助我..!
如果我們檢查的?h2o.deeplearning
文檔initial_weights H2OFrame ID的列表來初始化重本模型的 矩陣。
下面是設定的權重
library(h2o)
h2o.init()
iris.hex <- as.h2o(iris)
iris.dl <- h2o.deeplearning(x = 1:4, y = 5, training_frame = iris.hex,
hidden=c(10,10),export_weights_and_biases = TRUE
)
w1 <- h2o.weights(iris.dl,1)
w2 <- h2o.weights(iris.dl,2)
w3 <- h2o.weights(iris.dl,3)
b1 <- h2o.biases(iris.dl,1)
b2 <- h2o.biases(iris.dl,2)
b3 <- h2o.biases(iris.dl,3)
dl <- h2o.deeplearning(1:4,5,iris.hex,hidden=c(10,10),initial_weights=c(w1,w2,w3),
initial_biases=c(b1,b2,b3))
p1 <- h2o.predict(dl, iris.hex)
p1
# predict setosa versicolor virginica
#1 setosa 0.9967546 0.0032424531 2.946375e-06
#2 setosa 0.9943469 0.0056346023 1.845851e-05
#3 setosa 0.9990881 0.0009072309 4.663780e-06
#4 setosa 0.9990550 0.0009393998 5.593951e-06
#5 setosa 0.9985592 0.0014391955 1.568052e-06
#6 setosa 0.9966511 0.0033477623 1.121636e-06
#[150 rows x 4 columns]
關於歸一化的例子,它將被h2o
來完成。同時檢查here