def _init_autoencoders(self):
"""
Inicialización de los parámetros de cada autoencoder que conforman esta red.
:return:
"""
for l in xrange(self.num_layers - 1):
# Genero nueva estructura de parametros acorde al Autoencoder a crear
params = NetworkParameters(
self.params.units_layers[l:l + 2],
activation=self.params.activation[l],
layer_distributed=self.params.layer_distributed,
dropout_ratios=None,
classification=False,
strength_l1=self.params.strength_l1,
strength_l2=self.params.strength_l2)
self.list_layers[l] = AutoEncoder(params=params,
dropout_in=self.dropout[l])
# Configuro y creo la capa de salida (clasificación o regresión)
params = NetworkParameters(
self.params.units_layers[-2:],
activation=self.params.activation,
layer_distributed=self.params.layer_distributed,
dropout_ratios=[0.0], # en salida no debe haber DropOut
classification=self.params.classification,
strength_l1=self.params.strength_l1,
strength_l2=self.params.strength_l2)
self.list_layers[-1] = NeuralNetwork(params=params)
def test_mix_models():
# Dado que esta funcion se llama en una transformación de RDD, no es rastreada por Python
# por lo que es mejor hacerle unittest de forma que sea trazada en el coverage code.
# Configuracion de modelo
net_params = NetworkParameters(units_layers=[4, 10, 3], activation='ReLU', strength_l1=1e-5, strength_l2=3e-4,
dropout_ratios=[0.2, 0.0], classification=True)
model = NeuralNetwork(net_params)
mixed_layers = mix_models(model.list_layers, model.list_layers)
for l in xrange(len(mixed_layers)):
assert mixed_layers[l] == model.list_layers[l] * 2 # A + A = 2A
def finetune(self,
train,
valid,
mini_batch=50,
parallelism=0,
valid_iters=10,
measure=None,
stops=None,
optimizer_params=None,
reproducible=False,
keep_best=False):
"""
Ajuste fino con aprendizaje supervisado de la red neuronal, cuyos parámetros fueron inicializados mediante
el pre-entrenamiento de los autoencoders.
.. note:: Dado que esta función es una sobrecarga del método original
:func:`~learninspy.core.model.NeuralNetwork.fit`, se puede remitir a la documentación
de esta última para conocer el significado de los parámetros.
"""
list_layers = copy.deepcopy(self.list_layers)
list_layers[:-1] = map(
lambda ae: ae.encoder_layer(),
list_layers[:-1]) # Tomo solo la capa de encoder de cada ae
list_layers[-1] = list_layers[-1].list_layers[
0] # Agarro la primer capa de la red que se genero para la salida
nn = NeuralNetwork(self.params, list_layers=list_layers)
hits_valid = nn.fit(train,
valid,
mini_batch=mini_batch,
parallelism=parallelism,
valid_iters=valid_iters,
measure=measure,
stops=stops,
keep_best=keep_best,
optimizer_params=optimizer_params,
reproducible=reproducible)
for l in xrange(len(self.list_layers) - 1):
# Copio capa con ajuste fino al autoencoder
self.list_layers[l].list_layers[0] = nn.list_layers[
l] # TODO mejorar esto, para que sea mas legible
self.list_layers[-1].list_layers[0] = nn.list_layers[-1]
# Copio los resultados de evaluación también (sobrescribir en lugar de guardar dos listas más)
self.hits_train = nn.hits_train
self.hits_valid = nn.hits_valid
self.epochs = nn.epochs
return hits_valid
def __init__(self, network_params=None):
logger.info(
"Testeo de NeuralNetwork con datos de Combined Cycle Power Plant")
# Datos
logger.info("Cargando datos...")
data = load_ccpp()
dataset = LocalLabeledDataSet(data)
self.train, self.valid, self.test = dataset.split_data([.5, .3, .2])
self.valid = self.valid.collect()
# Modelo
if network_params is None:
network_params = NetworkParameters(units_layers=[4, 30, 1],
activation='ReLU',
classification=False,
seed=123)
self.model = NeuralNetwork(network_params)
# Seteo a mano
self.model.set_l1(5e-7)
self.model.set_l2(3e-4)
self.model.set_dropout_ratios([0.0, 0.0])
def __init__(self, opt_params=None):
logger.info("Testeo de Optimizer con datos de Iris")
# Datos
logger.info("Cargando datos...")
data = load_iris()
dataset = LocalLabeledDataSet(data)
self.train, self.valid, self.test = dataset.split_data([.5, .3, .2])
self.train = self.train.collect()
self.valid = self.valid.collect()
self.test = self.test.collect()
# Configuracion de optimizacion
if opt_params is None: # Por defecto, se utiliza Adadelta
stops = [criterion['MaxIterations'](10),
criterion['AchieveTolerance'](0.95, key='hits')]
options = {'step-rate': 1.0, 'decay': 0.99, 'momentum': 0.3, 'offset': 1e-8}
opt_params = OptimizerParameters(algorithm='Adadelta', stops=stops,
options=options, merge_criter='w_avg')
self.opt_params = opt_params
# Configuracion de modelo
net_params = NetworkParameters(units_layers=[4, 10, 3], activation='ReLU', strength_l1=1e-5, strength_l2=3e-4,
dropout_ratios=[0.2, 0.0], classification=True)
self.model = NeuralNetwork(net_params)
]
options = {'step-rate': 1.0, 'decay': 0.995, 'momentum': 0.7, 'offset': 1e-8}
optimizer_params = OptimizerParameters(algorithm='Adadelta',
stops=local_stops,
options=options,
merge_criter='w_avg',
merge_goal='cost')
logger.info("Optimizacion utilizada: %s", os.linesep + str(optimizer_params))
logger.info("Configuracion usada: %s", os.linesep + str(net_params))
# -- 3) Construcción y ajuste de red neuronal
neural_net = NeuralNetwork(net_params)
logger.info("Entrenando red neuronal ...")
hits_valid = neural_net.fit(train,
valid,
valid_iters=1,
mini_batch=20,
parallelism=0,
stops=global_stops,
optimizer_params=optimizer_params,
measure='R2',
keep_best=True,
reproducible=False)
hits_test, predict = neural_net.evaluate(test, predictions=True)
logger.info("Hits en test: %12.11f", hits_test)
