pybrain: как напечатать сеть (узлы и веса) - PullRequest
Новая
       39

pybrain: как напечатать сеть (узлы и веса)

11 голосов
/ 16 ноября 2011

наконец мне удалось обучить сеть из файла :) Теперь я хочу напечатать узлы и веса, особенно веса, потому что я хочу обучить сеть с помощью pybrain, а затем внедрить NN где-нибудь еще, который будет использовать его .

Мне нужен способ печати слоев, узлов и веса между узлами, чтобы я мог легко его воспроизвести. Пока я вижу, что могу получить доступ к слоям, например, используя n ['in'], а затем, например, я могу сделать:

реж (п [ 'в']) [' class ', ' delattr ', ' dict ', ' doc ', ' format ' , ' getattribute ', ' hash ', ' init ', ' module ', ' new ' , ' уменьшите ', ' redu_ex ', ' repr ', ' setattr ', ' sizeof ' , ' str ', ' subclasshook ', ' weakref ', '_backwardImplementation', '_forwardImplementation', '_generateName', '_getName', '_growBuffers' , «_name», «_nameIds», «_resetBuffers», «_setName», «activ», «activOnDataset», «argdict», «backActivate», «backward», «bufferlist», «dim», «forward», « getName ',' indim ',' inputbuffer ',' inputerror ',' name ',' offset ',' outdim ',' outputbuffer ',' outputerror ',' paramdim ',' reset ',' sequential ',' setArgs ' , 'setName', 'shift', 'whichNeuron']

но я не понимаю, как я могу получить доступ к весам здесь. Существует также атрибут params, например, моя сеть 2 4 1 со смещением, и он говорит:

n.params массив ([- 0.8167133, 1.00077451, -0.7591257, -1.1150532, -1.58789386, 0,11625991, 0,98547457, -0,99397871, -1,8324281, -2,42200963, 1.90617387, 1.93741167, -2.88433965, 0.27449852, -1.52606976, 2.39446258, 3.01359547])

Трудно сказать, что к чему, хотя бы с весом связывает какие узлы. Это все, что мне нужно.

Ответы [ 3 ]

21 голосов
/ 17 ноября 2011

Существует множество способов доступа к внутренним частям сети, а именно через список «модулей» или словарь «подключений».Параметры хранятся в этих соединениях или модулях.Например, следующее должно напечатать всю эту информацию для произвольной сети: 

for mod in net.modules:
    print("Module:", mod.name)
    if mod.paramdim > 0:
        print("--parameters:", mod.params)
    for conn in net.connections[mod]:
        print("-connection to", conn.outmod.name)
        if conn.paramdim > 0:
             print("- parameters", conn.params)
    if hasattr(net, "recurrentConns"):
        print("Recurrent connections")
        for conn in net.recurrentConns:
            print("-", conn.inmod.name, " to", conn.outmod.name)
            if conn.paramdim > 0:
                print("- parameters", conn.params)

Если вы хотите что-то более мелкозернистое (на уровне нейронов, а не на уровне слоев), вам придется дополнительно разложить этивекторы параметров - или, альтернативно, создайте свою сеть из однонейронных слоев.

11 голосов
/ 11 октября 2012

Попробуйте, у меня это сработало: 

def pesos_conexiones(n):
    for mod in n.modules:
        for conn in n.connections[mod]:
            print conn
            for cc in range(len(conn.params)):
                print conn.whichBuffers(cc), conn.params[cc]

Результат должен быть таким: 

<FullConnection 'co1': 'hidden1' -> 'out'>
(0, 0) -0.926912942354
(1, 0) -0.964135087592
<FullConnection 'ci1': 'in' -> 'hidden1'>
(0, 0) -1.22895643048
(1, 0) 2.97080368887
(2, 0) -0.0182867906276
(3, 0) 0.4292544603
(4, 0) 0.817440427069
(0, 1) 1.90099230604
(1, 1) 1.83477578625
(2, 1) -0.285569867513
(3, 1) 0.592193396226
(4, 1) 1.13092061631
3 голосов
/ 12 февраля 2012

Может быть, это поможет (PyBrain для Python 3.2)? 

C:\tmp\pybrain_examples>\Python32\python.exe
Python 3.2 (r32:88445, Feb 20 2011, 21:29:02) [MSC v.1500 32 bit (Intel)] on win32
Type "help", "copyright", "credits" or "license" for more information.
>>> from pybrain.tools.shortcuts import buildNetwork
>>> from pybrain.structure.modules.tanhlayer import TanhLayer
>>> from pybrain.structure.modules.softmax import SoftmaxLayer
>>>
>>> net = buildNetwork(4, 3, 1,bias=True,hiddenclass = TanhLayer, outclass =   SoftmaxLayer)
>>> print(net)
FeedForwardNetwork-8
Modules:
[<BiasUnit 'bias'>, <LinearLayer 'in'>, <TanhLayer 'hidden0'>, <SoftmaxLayer 'out'>]
Connections:
[<FullConnection 'FullConnection-4': 'hidden0' -> 'out'>, <FullConnection   'FullConnection-5': 'bias' -> 'out'>, <FullConnection
'FullConnection-6': 'bias' -> 'hidden0'>, <FullConnection 'FullConnection-7': 'in' -> 'hidden0'>]
...