Azure Machine Learning'de Convolution Neural Net nasıl oluşturulur?

Question

Birisi etiket olarak "net #" eklemelidir. Ben 35 ile regresyon yapıyorum edilir maden ve öğretici arasındaki

https://gallery.cortanaintelligence.com/Experiment/Neural-Network-Convolution-and-pooling-deep-net-2

farklılıkları: Bu öğretici kullanarak bir büklüm sinirsel ağ dönüştürerek Azure Makine Öğrenimi Studio'da benim sinir ağı geliştirmeye çalışıyorum özellikleri ve 1 etiket ve 28x28 özellikleri ve 10 etiketleri ile sınıflandırma yapıyorlar.

temel ve 2 örnekle başlayalım ve çalışmak onları almak: yanlış anlıyorum konvolüsyon Şimdi

input Data [35]; 

hidden H1 [100] 
    from Data all; 

hidden H2 [100] 
    from H1 all; 

output Result [1] linear 
    from H2 all; 

dönüşüm. Buradaki eğitim ve dokümantasyonda: https://docs.microsoft.com/en-us/azure/machine-learning/machine-learning-azure-ml-netsharp-reference-guide, gizli katmanlar için düğüm tuple değerlerinin nasıl hesaplandığından bahsetmez. öğretici der ki:

hidden C1 [5, 12, 12] 
    from Picture convolve { 
    InputShape = [28, 28]; 
    KernelShape = [ 5, 5]; 
    Stride  = [ 2, 2]; 
    MapCount = 5; 
    } 

hidden C2 [50, 4, 4] 
    from C1 convolve { 
    InputShape = [ 5, 12, 12]; 
    KernelShape = [ 1, 5, 5]; 
    Stride  = [ 1, 2, 2]; 
    Sharing  = [ F, T, T]; 
    MapCount = 10; 
    } 

[5, 12, 12] ve [50,4,4] KernalShape, Stride ve MapCount birlikte dışında hiçbir yerde pop gibi görünüyor. Örneğim için hangi değerlerin geçerli olduğunu nasıl bilebilirim? Aynı değerleri kullanmayı denedim ama işe yaramadı ve bir [28,28] girişine sahip olduğumdan beri bir his var ve [35] var, 2 tamsayı ile değil de 3'e sahip olmalıyım.

I sadece öğretici verdiği görülmektedir rasgele değerlerle çalıştı:

const { T = true; F = false; } 

input Data [35]; 

hidden C1 [7, 23] 
    from Data convolve { 
    InputShape = [35]; 
    KernelShape = [7]; 
    Stride  = [2]; 
    MapCount = 7; 
    } 

hidden C2 [200, 6] 
    from C1 convolve { 
    InputShape = [ 7, 23]; 
    KernelShape = [ 1, 7]; 
    Stride  = [ 1, 2]; 
    Sharing  = [ F, T]; 
    MapCount = 14; 
    } 

hidden H3 [100] 
    from C2 all; 

output Result [1] linear 
    from H3 all; 

Şu anda sadece hata kodu Azure Makine Öğrenimi Studio hiç verir çünkü hata ayıklamak için imkansız gibi geçerli:

Exception":{"ErrorId":"LibraryException","ErrorCode":"1000","ExceptionType":"ModuleException","Message":"Error 1000: TLC library exception: Exception of type 'Microsoft.Numerics.AFxLibraryException' was thrown.","Exception":{"Library":"TLC","ExceptionType":"LibraryException","Message":"Exception of type 'Microsoft.Numerics.AFxLibraryException' was thrown."}}}Error: Error 1000: TLC library exception: Exception of type 'Microsoft.Numerics.AFxLibraryException' was thrown. Process exited with error code -2 

Son olarak

benim kurulum

Yardımın için teşekkürler!

Answer 1

verilen çekirdek ve adımlarla 35 kolon uzunluğu girişi için doğru ağ tanımı aşağıdaki olması:

const { T = true; F = false; } 

input Data [35]; 

hidden C1 [7, 15] 
    from Data convolve { 
    InputShape = [35]; 
    KernelShape = [7]; 
    Stride  = [2]; 
    MapCount = 7; 
    } 

hidden C2 [14, 7, 5] 
    from C1 convolve { 
    InputShape = [ 7, 15]; 
    KernelShape = [ 1, 7]; 
    Stride  = [ 1, 2]; 
    Sharing  = [ F, T]; 
    MapCount = 14; 
    } 

hidden H3 [100] 
    from C2 all; 

output Result [1] linear 
    from H3 all; 

İlk olarak, C1 = [7,15]. İlk boyut sadece MapCount'dır. İkinci boyut için, çekirdek şekli, giriş sütunlarını taramak için kullanılan "pencere" uzunluğunu tanımlar ve adım, her adımda ne kadar hareket ettiğini tanımlar. Böylece, windows pencereleri tarandığınızda, çekirdek pencereleri 1-7, 3-9, 5-11, ..., 29-35 sütunlarını kapsayacak ve 15'in ikinci boyutunu elde edecek.

Sonraki, C2 = [14,7,5]. İlk boyut yine MapCount. İkinci ve üçüncü boyut için, 1'e 7 çekirdek "pencere", karşılık gelen boyutlar boyunca 1 ve 2'lik adımlar kullanılarak 7'ye 15'lik giriş boyutunu kapsamalıdır.

Çıktıları düzleştirmek istiyorsanız C2 gizli katman şeklini [98,5] veya hatta [490] belirtebileceğinizi unutmayın.