r mxnet 예제

예제를 사용하여 이해해 보겠습니다. 2개의 변수가 있는 데이터 집합이 있다고 가정해 보겠습니다(입력은 0에서 1 사이로 조정됨): 여기서회귀에 대한 eval.metric도 변경했습니다. 현재 미리 정의된 4개의 메트릭 „정확도”, „rmse”, „mae” 및 „rmsle”이 있습니다. 평가 메트릭을 사용자 지정하는 방법을 궁금해할 수 있습니다. mxnet은 사용자가 자신의 관심사 메트릭을 정의할 수 있는 인터페이스를 제공합니다: 이미지를 딥 넷에 공급하기 전에 deepnet의 입력 요구 사항에 맞게 이미지가 맞도록 몇 가지 전처리를 수행해야 합니다. 전처리에는 자르기 및 평균의 빼기등이 포함됩니다. mxnet은 R과 깊이 통합되어 있기 때문에 R 함수의 모든 처리를 할 수 있습니다. 이 섹션의 제목에서 설명한 대로 GitHub 리포지토리에서 MNIST 필기 숫자 데이터 집합의 짧은 버전을 사용해 보겠습니다(교육용 행 5,000개 및 테스트용 행 1,000개). 이 데이터 집합은 크지 않으므로 어떤 분류자도 정확도 0.98에 도달 할 수 없다고 생각합니다.

{mxnet}에서 처리할 수 있는 데이터 집합을 변환하려면 아래와 같이 실행해 보겠습니다. 우리는이 도전에서 경쟁하는 mxnet의 기본 사용을 발표 할 예정이다. 축! 이제 mxnet 사용에 대한 기본 을 배웠습니다. 우리는 몇 가지 실제 문제를 해결하기 위해 더 갈 수 있습니다! 자, 왜 주위에 사진을 찍고 포함 된 것을 말해 mxnet을 요청하지? 즐거운 시간을 보내고 있습니다! 평균 절대 오차 메트릭의 예입니다. 교육 함수에 연결하기만 하면 됩니다: 이제 401번째 샘플의 시작 부분에서 시작하여 각 오염 값을 생성하기 위해 시간 단계별로 시간 단계를 반복합니다. 여기서는 이전 타임스텝의 지면 진실 데이터에서 생성된 RNN 상태 값을 사용하여 다음 시간 단계 예측을 수행합니다. 다음 시간 단계를 예측하는 다른 방법은 예측된 값을 입력으로 사용하는 것입니다. 이 예제 이후와 같이 이를 „자동 회귀 추론”이라고 합니다. 이 자습서는 R용 mxnet 패키지의 새 사용자를 위해 설계되었습니다. 5분 안에 회귀를 수행하는 신경망을 구성하는 방법을 보여 주어 있다.

각각 분류 및 회귀 작업을 수행하는 방법을 보여 주며, 이 작업을 보여 주어 있습니다. 우리가 사용하는 데이터는 mlbench 패키지에 있습니다. 다른 환경에서 R 및 MXNet의 R 패키지를 설치하는 방법은 여기에서 찾을 수 있습니다. 정확도는 H2O에 의해 특정 슬라이드 쉐어에 표시된 최고의 매개 변수 튜닝을 통해 0.962이었다 … {mxnet}에 의해 우리의 짧은 CNN도 그것을 추월. 이 사실은 심지어 간단한 CNN이 가장 잘 튜닝 된 DNN보다 낫다는 것을 의미합니다. 요즘 거의 모든 사람들이 이미지 인식을 위해 CNN을 사용하는 것을 좋아합니다. mx.set.seed가 mxnet에서 임의의 프로세스를 제어한다는 https://github.com/apache/incubator-mxnet/blob/master/R-package/vignettes/fiveMinutesNeuralNetwork.Rmd 참고 : 나는 5 분 튜토리얼에서 MXNet와 신경망의 예를 따랐다. 훈련 중 각 라운드의 정확도를 확인할 수 있습니다.

또한 예측하고 평가하는 것도 쉽습니다. 아래 R 스크립트는 {mxnet}을 명확하게 보여 주며 토치 또는 Chainer와 마찬가지로 컨볼루션, 풀링 및 완전히 연결된 레이어의 구성을 매우 직관적으로 설명할 수 있습니다. 이제 실제 이미지를 분류할 준비가 되었습니다. 이 예제에서는 이미저에서 앵무새 이미지를 찍기만 하면 됩니다. 그러나 항상 다른 이미지로 변경할 수 있습니다. 첫째로 우리는 북쪽 WA에있는 베이커 산의 사진에 그것을 테스트합니다. 그라데이션 하강과 경위 그라데이션 하강(SGD)의 유일한 차이점은 SGD가 모든 관측값 대신 한 번에 하나의 관측값(또는 배치)을 취한다는 것입니다. 특정 관측값 행에 대해 계산된 비용 함수의 그라데이션이 모든 행에서 계산된 그라데이션과 거의 동일하다고 가정합니다. 각 학습 예제에 대한 매개 변수(바이어스 및 가중치)를 업데이트합니다. 또한 SGD는 온라인 학습 알고리즘에서 널리 사용되고 있습니다. MXnet은 텐서플로우와 매우 유사한 그래프 추상화를 통해 딥 러닝을 구현하는 프레임워크입니다.

그것은 다른 주요 라이브러리 / 딥 러닝의 패키지보다 최신이기 때문에 개척자의 유용한 구현을 많이 가지고 있습니다. 예를 들어, MXnet은 계산을 배포하고, CPU에서 GPU로 변경하거나, 그 반대로 쉽게 배포하고, DNN/CNN뿐만 아니라 LSTM-RNN에 대한 사전 교육 모델을 제공하고, 데이터 과학 및/또는 데이터 과학에서 많은 인기를 끌고 있는 파이썬, R, C++ 및 줄리아용 래퍼를 제공할 수 있습니다. 기계 학습 커뮤니티.

Kategória: Egyéb kategória

Írta: Gabor