Обучение модели CNTK в Python с использованием массивов np в качестве входных данных - PullRequest
Новая
       5

Обучение модели CNTK в Python с использованием массивов np в качестве входных данных

0 голосов
/ 29 июня 2018

Я пытался переписать простой классификатор с помощью CNTK. Но все примеры, с которыми я сталкивался, используют встроенный Reader с входной картой, и мои данные должны быть сильно изменены после прочтения, чтобы я не смог использовать то, что демонстрирует большинство примеров, в качестве метода загрузки данных. Я сталкивался с кодом на здесь , который, кажется, показывает, как использовать прямые np-массивы для обучения, но на самом деле он ничего не тренирует.

Минимальный рабочий пример, показывающий проблему: 

import cntk as C
import numpy as np
from cntk.ops import relu
from cntk.layers import Dense, Convolution2D

outputs = 10

input_var = C.input_variable((7, 19, 19), name='features')
label_var = C.input_variable((outputs))

epochs = 20
minibatchSize = 100

cc = C.layers.Convolution2D((3,3), 64, activation=relu)(input_var)
net = C.layers.Dense(outputs)(cc)

loss = C.cross_entropy_with_softmax(net, label_var)

learner = C.adam(net.parameters, 0.0018, 0.9, minibatch_size=minibatchSize)

progressPrinter = C.logging.ProgressPrinter(tag='Training', num_epochs=epochs)

for i in range(epochs):
    X = np.zeros((minibatchSize, 7, 19, 19), dtype=np.float32)
    Y = np.ones((minibatchSize, outputs), dtype=np.float32)

    train_summary = loss.train((X, Y), parameter_learners=[learner], callbacks=[progressPrinter])

Пример вывода: 

Learning rate per 100 samples: 0.0018
Finished Epoch[1 of 20]: [Training] loss = 2.302410 * 100, metric = 0.00% * 100 0.835s (119.8 samples/s);
Finished Epoch[2 of 20]: [Training] loss = 0.000000 * 0, metric = 0.00% * 0 0.003s (  0.0 samples/s);
Finished Epoch[3 of 20]: [Training] loss = 0.000000 * 0, metric = 0.00% * 0 0.001s (  0.0 samples/s);

Возможно, есть действительно очевидная причина, по которой это происходит, но я не смог понять это. Любые идеи о том, как это исправить, будут высоко оценены!

1 Ответ

0 голосов
/ 29 июня 2018

Оказывается, что решение на самом деле очень простое, вы можете легко создать словарь ввода без читателя. Вот полный код, который решает проблему обучения: 

import cntk as C
import numpy as np
from cntk.ops import relu
from cntk.layers import Dense, Convolution2D

outputs = 10

input_var = C.input_variable((7, 19, 19), name='features')
label_var = C.input_variable((outputs))

epochs = 20
minibatchSize = 100

cc = C.layers.Convolution2D((3,3), 64, activation=relu)(input_var)
net = C.layers.Dense(outputs)(cc)

loss = C.cross_entropy_with_softmax(net, label_var)
pe = C.classification_error(net, label_var)    

learner = C.adam(net.parameters, 0.0018, 0.9, minibatch_size=minibatchSize)

progressPrinter = C.logging.ProgressPrinter(tag='Training', num_epochs=epochs)
trainer = C.Trainer(net, (loss, pe), learner, progressPrinter)    

for i in range(epochs):
    X = np.zeros((minibatchSize, 7, 19, 19), dtype=np.float32)
    Y = np.ones((minibatchSize, outputs), dtype=np.float32)

    trainer.train_minibatch({input_var : X, label_var : Y})

    trainer.summarize_training_progress()
...