pybrain

    0熱度

    1回答

    我想訓練前饋神經網絡,進行二元分類。我的數據集是6.2M,尺寸爲1.5M。我正在使用PyBrain。我無法加載一個數據點。我得到MemoryError。 我的代碼片段是: Train_ds = SupervisedDataSet(FV_length, 1) #FV_length is a computed value. 150000 feature_vector = numpy.zeros((F

    2熱度

    1回答

    我想出來的PyBrains狀態值和全球政策迷宮例如 我的設置是: envmatrix = [[...]] env = Maze(envmatrix, (1, 8)) task = MDPMazeTask(env) table = ActionValueTable(states_nr, actions_nr) table.initialize(0.) learner = Q() agen

    0熱度

    1回答

    我有一個神經網絡運行在pybrain,我很高興與它的正確性,現在我只是想提高準確性。然而,直到我開始嘗試各種參數時,我才確定每次都從同一點開始進行這項探索。 如果我理解正確,PyBrain隨機初始化網絡權重。我該如何保持這種隨機性一致,即如果沒有變化,那麼每次運行網絡時都應該得到相同的輸出結果?然後我可以肯定,所獲得的任何改進都是參數改變的直接結果。 我看着this answer其中推薦使用Net

    2熱度

    1回答

    我們可以在pybrain的示例中使用缺少的數據,我們可以從csv導入它嗎? C0m4的代碼很不錯,但對於一個完整的示例(下面的鏈接)。 How to load training data in PyBrain? 是否有可能丟失的數據樣本?以及如何做到這一點?通過什麼取代缺失的值? Regards

    0熱度

    1回答

    看到this answer後,我在導出網絡時遇到了一些麻煩。這裏是網絡生成的代碼: net = buildNetwork(2, 1, 1, bias=False) sol = net.activate([2,3]) print("solution", sol) for mod in net.modules: for conn in net.connections[mod]:

    2熱度

    1回答

    我已經適應神經網絡來從PyBrain的教程圖像分類: http://pybrain.org/docs/tutorial/fnn.html 它在饋送的圖像數據PNG形式中,每個圖像被分配一個特定的班級。 它運作良好,直到: out = fnn.activateOnDataset(griddata) 返回的信息是:Asse田:(3,2) 敢肯定這是我如何宣佈的GridData數據集,但我有問題不知

    0熱度

    1回答

    我正在學校介紹機器學習課程,並且我們已經顯示的所有人工神經網絡在輸入到任何神經元的激活函數之前都有輸入加權和求和。 我正在爲作業創建一個ANN,我想知道這是否也是在PyBrain中自動完成的?

    2熱度

    1回答

    作業我想創建一個分層的多層感知器人工神經網絡。 我是PyBrain的新手,我試圖用反向傳播創建一個前饋神經網絡,並在Google搜索之後,似乎有兩種方法可以在PyBrain中使用buildNetwork或FeedForwardNetwork。 此外,我在課堂上了解到感知器具有階梯函數,並且從我在文檔中看到的內容看起來似乎沒有階梯函數選項。 我無法找到兩者之間的差異,因此無法確定哪個更適合我的任務。

    3熱度

    1回答

    我正在尋找一種在python中使用numpy,scipy和pybrain的方法。如果我嘗試安裝那些我得到的錯誤: Microsoft Visual C++ 10.0 is required (Unable to find vcvarsall.bat). 我已經安裝了visual studio,但它仍然無法正常工作。 我試圖建立與暢達,包括numpy的和SciPy的,然後使用PIP在它安裝pyb

    0熱度

    1回答

    我遇到了非常奇怪的行爲,使用PyBrain庫的ClassificationDataSet類。它似乎給數據增加了額外的樣本,我不明白爲什麼! 下面是代碼: data = [[2, 4, 1], [3, 3, 0], [1, 2, 1]] targets = [3, 1, 2] training_ds = ClassificationDataSet(len(data[0]