深度学习工具箱中DBN的不良结果

Question

我想运行这个例子。当我使用mnist_uint8数据时，我可以很好地运行这段代码。但是，如果我使用自己的数据运行一个模型(如DBN.m)，下面的代码如下：

[er, bad] = nntest(nn, test_x, test_y); 

将不运行，er为零。为什么会发生这种事？我的训练数据的输入大小为320*200，输出为320*1。

编辑:添加代码和数据文件

load dataX 
load dataY 
load pdataX 
load pdataY
train_x=dataX/100
test_x=pdataX/100
pdataY(find(pdataY(:,:)<=20))=0;
pdataY(find(pdataY(:,:)>20))=1;
dataY(find(dataY(:,:)<=20))=0;
dataY(find(dataY(:,:)>20))=1;
train_y=dataY
test_y=pdataY
rand('state',0); 
dbn.sizes = [100 40];

%train a 100-40 hidden unit DBN 
opts.numepochs = 1;
opts.batchsize = 40;
opts.momentum = 0;
opts.alpha = 1;
dbn = dbnsetup(dbn, train_x, opts);
dbn = dbntrain(dbn, train_x, opts);

%unfold dbn to nn nn = dbnunfoldtonn(dbn, 1);
nn.activation_function = 'sigm';
%train nn opts.numepochs = 1;
opts.batchsize = 40;
nn = nntrain(nn, train_x, train_y, opts);
[er, bad] = nntest(nn, test_x, test_y);

这是数据

Q3Ae-DDNAGDnV57b6Pzq6gtf01w0lD8

Answer 1

编辑：

经过大量讨论(见评论)，问题是目标(Y)需要使用单N编码格式进行培训和测试。例如，1类为1 0，2类为0 1，修改后的代码产生的基本错误率为0.2125。进一步的调优和架构更改应该会产生更好的结果。

clear all

load dataX 
load dataY 
load pdataX 
load pdataY
train_x=dataX/100;
test_x=pdataX/100;
pdataY(find(pdataY(:,:)<=20))=0;
pdataY(find(pdataY(:,:)>20))=1;
dataY(find(dataY(:,:)<=20))=0;
dataY(find(dataY(:,:)>20))=1;
train_y=dataY
test_y=pdataY

% Add dimension for one-of-N encoding
train_y(:,2) = 1-train_y(:,1);
test_y(:,2) = 1-test_y(:,1);

rand('state',0)
dbn.sizes = [100 40];

%train a 100-40 hidden unit DBN
opts.numepochs = 2;
opts.batchsize = 40;
opts.momentum = 0;
opts.alpha = 1;
dbn = dbnsetup(dbn, train_x, opts);
dbn = dbntrain(dbn, train_x, opts);

%unfold dbn to nn
nn = dbnunfoldtonn(dbn, 2);
nn.activation_function = 'sigm';

%train nn
opts.numepochs = 100;
opts.batchsize = 40;
nn = nntrain(nn, train_x, train_y, opts);
[er, bad] = nntest(nn, test_x, test_y);

原来的答案：

我假设您的培训数据是200个特性和320个培训示例。假设您对其进行了适当的培训，那么您可能需要执行功能约简。我知道在MNIST数据集上运行的ML算法使用主成分分析(参见Matlab函数主成分分析())对其进行预处理以截断某些特性是很流行的。请张贴更多的代码，让我们真正看到问题。