：MNIST数据集的培训和测试

Question

我正在尝试使用深层包的dbn.dnn.train函数来训练MNIST数据集。这是一个分类任务。我使用以下命令

dbn.deepnet <- dbn.dnn.train(train.image.data,train.image.labels,hidden=c(5,5))

我所面对的问题是：

1)标签应是因子类型向量。但是，当我输入标签作为因子时，函数会出现一个错误，即"y应该是一个矩阵或向量“。所以，我使用标签作为数字。如何继续进行分类任务

2) dbn.dnn.train的预测功能是什么？我使用的是nn.predict，但是文档提到输入应该是由函数nn.train训练的神经网络(没有提到dbn.dnn.train)。所有记录的输出为0.9986。

nn.predict(dbn.deepnet,train.image.data)

Answer 1

不知道您是否还在研究它，或者您是否找到了解决方案，但是: 1/尝试如下: train.image.labels <- data.matrix(train.image.labels)

2/我使用nn.predict，即使神经网络是由dbn.dnn.train训练的。

Answer 2

如您所知，神经网络的输入值最好在0到1之间。在“深度网”包中，与nn.train函数不同的是，对于dbn.dnn.train，您需要自己对输入进行规范化。这是加载、训练和测试的完整代码。

#loading MNIST
setwd("path/to/MNIST/")
mnist <- load.mnist(".")
# the function to normalize the input values
normalize <- function(x) {
  return (x/255)
}
# standardization
train_x_n <-  apply(mnist$train$x, c(1,2),FUN = normalize)
test_x_n <- apply(mnist$test$x, c(1,2),FUN = normalize)
#training and prediction
dnn <- dbn.dnn.train(train_x_n, mnist$train$yy, hidden = c(100, 70, 80), numepochs = 3, cd = 3)
err.dnn <- nn.test(dnn, test_x_n, mnist$test$yy)
dnn_predict <- nn.predict(dnn, test_x_n)
# test the outputs
print(err.dnn)
print(dnn_predict[1,])
print(mnist$test$y[1])

输出：

> err.dnn
[1] 0.0829
> dnn_predict[1,]
[1] 7.549055e-04 1.111647e-03 1.946491e-03 7.417489e-03 3.221340e-04 7.306264e-04 4.088365e-05 9.944441e-01 8.953903e-05
[10] 9.085863e-03
> mnist$test$y[1]
[1] 7