def __init__(self, params, list_layers=None, dropout=None):
self.params = params
self.num_layers = len(params.units_layers)
if dropout is None:
dropout = [0.0] * self.num_layers
self.dropout = dropout
NeuralNetwork.__init__(self, params, list_layers=None)
self._init_autoencoders() # Creo autoencoders que se guardan en list_layers
def __init__(self, params, list_layers=None, dropout=None):
self.params = params
self.num_layers = len(params.units_layers)
if dropout is None:
dropout = [0.0] * self.num_layers
self.dropout = dropout
NeuralNetwork.__init__(self, params, list_layers=None)
self._init_autoencoders(
) # Creo autoencoders que se guardan en list_layers
def __init__(self, params=None, list_layers=None, dropout_in=0.0):
# Aseguro algunos parametros
params.classification = False
n_in = params.units_layers[0]
params.layer_distributed.append(False) # Ya que se agrega una dimension, se debe reflejar aqui tmb (False por ahora)
params.units_layers.append(n_in) # Unidades en la salida en igual cantidad que la entrada
params.dropout_ratios = [dropout_in, 0.0] # Dropout en encoder, pero nulo en decoder
self.num_layers = 2
NeuralNetwork.__init__(self, params, list_layers)
def __init__(self, params=None, list_layers=None, dropout_in=0.0):
# Aseguro algunos parametros
params.classification = False
n_in = params.units_layers[0]
params.layer_distributed.append(
False
) # Ya que se agrega una dimension, se debe reflejar aqui tmb (False por ahora)
params.units_layers.append(
n_in) # Unidades en la salida en igual cantidad que la entrada
params.dropout_ratios = [dropout_in, 0.0
] # Dropout en encoder, pero nulo en decoder
self.num_layers = 2
NeuralNetwork.__init__(self, params, list_layers)
