TorchLua,哪种神经网络结构用于小批量训练？

概述我还在努力在我的暹罗神经网络上实现小批量梯度更新.以前我有一个实施问题,那就是 correctly solved here. 现在我意识到我的神经网络架构中也存在一个错误,这与我对正确实现的不完全理解有关. 到目前为止,我总是使用非小批量梯度下降方法,其中我将训练元素逐个传递给渐变更新.现在,我想通过小批量实现渐变更新,首先是用N = 2个元素构成的小型游戏. 我的问题是：我应该如何改变我的暹罗神 我还在努力在我的暹罗神经网络上实现小批量梯度更新.以前我有一个实施问题,那就是 correctly solved here.

现在我意识到我的神经网络架构中也存在一个错误,这与我对正确实现的不完全理解有关.

到目前为止,我总是使用非小批量梯度下降方法,其中我将训练元素逐个传递给渐变更新.现在,我想通过小批量实现渐变更新,首先是用N = 2个元素构成的小型游戏.

我的问题是：我应该如何改变我的暹罗神经网络的架构,使其能够处理一小批N = 2个元素而不是单个元素？

这是我的暹罗神经网络的(简化)架构：

nn.Sequential {  [input -> (1) -> (2) -> output]  (1): nn.Paralleltable {    input      |`-> (1): nn.Sequential {      |      [input -> (1) -> (2) -> output]      |      (1): nn.linear(6 -> 3)      |      (2): nn.linear(3 -> 2)      |    }      |`-> (2): nn.Sequential {      |      [input -> (1) -> (2) -> output]      |      (1): nn.linear(6 -> 3)      |      (2): nn.linear(3 -> 2)      |    }       ... -> output  }  (2): nn.Cosinedistance}

我有：

> 2个相同的暹罗神经网络(上下)
> 6个输入单位
> 3个隐藏单位
> 2个输出单位
>余弦距离函数,用于比较两个并行神经网络的输出

这是我的代码：

perceptronUpper= nn.Sequential()perceptronUpper:add(nn.linear(input_number,hIDdenUnits))perceptronUpper:add(nn.linear(hIDdenUnits,output_number))perceptronLower= perceptronUpper:clone('weight','graDWeights','gradBias','bias')parallel_table = nn.Paralleltable()parallel_table:add(perceptronUpper)parallel_table:add(perceptronLower)perceptron = nn.Sequential()perceptron:add(parallel_table)perceptron:add(nn.Cosinedistance())

如果我有一个需要1个元素的梯度更新函数,这个架构非常有效.如何修改它以让它管理一个小批量？

编辑：我可能应该使用nn.Sequencer() class,通过修改我的代码的最后两行：

perceptron:add(nn.Sequencer(parallel_table))perceptron:add(nn.Sequencer(nn.Cosinedistance())).

你们有什么感想？

解决方法 每个nn模块都可以使用miniatches.有些只能使用微型计算机,例如(空间)Batchnormalization.模块知道其输入必须包含多少维度(假设为D),如果模块接收到D 1维张量,则假设第一维是批量维.例如,看看 nn.Linear module documentation：

The input tensor given in forward(input) must be either a vector (1D
tensor) or matrix (2D tensor). If the input is a matrix,then each row
is assumed to be an input sample of given batch.

function table_of_tensors_to_batch(tbl)    local batch = torch.Tensor(#tbl,unpack(tbl[1]:size():totable()))    for i = 1,#tbl do       batch[i] = tbl[i]     end    return batchendinputs = {    torch.Tensor(5):fill(1),torch.Tensor(5):fill(2),torch.Tensor(5):fill(3),}input_batch = table_of_tensors_to_batch(inputs)linear = nn.linear(5,2)output_batch = linear:forward(input_batch)print(input_batch) 1  1  1  1  1 2  2  2  2  2 3  3  3  3  3[torch.DoubleTensor of size 3x5]print(output_batch) 0,3128 -1,1384 0,7382 -2,1815 1,1637 -3,2247[torch.DoubleTensor of size 3x2]

好的,但容器怎么样(nn.Sequential,nn.Paralel,nn.Paralleltable等)？容器本身不处理输入,它只是将输入(或其相应的部分)发送到它包含的相应模块.例如,Paralleltable只是将第i个成员模块应用于第i个输入表元素.因此,如果您希望它处理批处理,则每个输入[i](输入是表格)必须是具有如上所述的批处理维度的张量.

input_number = 5output_number = 2inputs1 = {    torch.Tensor(5):fill(1),}inputs2 = {    torch.Tensor(5):fill(4),torch.Tensor(5):fill(5),torch.Tensor(5):fill(6),}input1_batch = table_of_tensors_to_batch(inputs1)input2_batch = table_of_tensors_to_batch(inputs2)input_batch = {input1_batch,input2_batch}output_batch = perceptron:forward(input_batch)print(input_batch){  1 : DoubleTensor - size: 3x5  2 : DoubleTensor - size: 3x5}print(output_batch) 0,6490 0,9757 0,9947[torch.DoubleTensor of size 3]target_batch = torch.Tensor({1,1})criterion = nn.MSECriterion()err = criterion:forward(output_batch,target_batch)gradCriterion = criterion:backward(output_batch,target_batch)perceptron:zeroGradParameters()perceptron:backward(input_batch,gradCriterion)

为什么会有nn.Sequencer呢？可以用一个吗？是的,但强烈建议不要这样做. Sequencer采用序列表并将模块应用于表中的每个元素,独立地不提供加速.此外,它必须复制该模块,因此这种“批处理模式”的效率远低于在线(非批处理)培训. Sequencer被设计成复发网的一部分,在你的情况下没有必要使用它.

总结

以上是内存溢出为你收集整理的Torch / Lua,哪种神经网络结构用于小批量训练？全部内容，希望文章能够帮你解决Torch / Lua,哪种神经网络结构用于小批量训练？所遇到的程序开发问题。

如果觉得内存溢出网站内容还不错，欢迎将内存溢出网站推荐给程序员好友。