Ich bin neu im maschinellen Lernen und suche Hilfe. Ich möchte ein Netzwerk trainieren, um die nächsten Werte erwarte ich wie folgt vorherzusagen:Torch - Große Eingabe- und Ausgabegrößen in neuronales Netzwerk
Hinweis: [val1 val2 ... val 15]
val = 0, wenn es nicht, 1, wenn es nicht vorhanden ist existiert.
Input: [1 1 1 0 0 0 0 0 1 1 1 0 0 0 0]
Output: [1 1 1 0 0 0 0 0 1 1 1 0 0 1 1] (die letzten zwei Werte erscheinen)
So würde mein neuronales Netz 15 Eingänge haben und 15 Ausgänge
Ich mag würde wissen, ob es wäre ein besserer Weg, diese Art von Vorhersage zu tun. Müssen meine Daten auch normalisiert werden?
Jetzt ist das Problem, ich habe nicht 15 Werte, aber tatsächlich 600'000 von ihnen. Kann ein neuronales Netzwerk so große Tensoren handhaben, und ich habe gehört, dass ich die doppelte Anzahl für versteckte Ebeneneinheiten benötige.
Vielen Dank für Ihre Hilfe, Sie Machine Learning-Experte!
Beste
Hallo Prune, vielen Dank, dass du dir die Zeit genommen hast zu antworten!Ich bin noch nicht in diesem Stadium in Bezug auf maschinelles Lernen Sprache;) Bisher benutze ich Fackel und mein NN ist das folgende: Sequenzielle Container: Linear (600K, 4HU) -> ReLu-> Linear (4, 600K) -> SoftMax. Mit einer Lernrate von 0.01 und der Anzahl der Iterationen (Übergänge über den Datensatz) beträgt 100. Es ist auch ein FC-Netzwerk (Sequential). Ich dachte, dass CNN eher für die Bildverarbeitung und nicht für 1D-sequentielle Daten geeignet wäre ... Wie sollen meine Daten mit 600 Kanälen und 1000 Funktionen organisiert werden? Danke nochmal – Hetana
Was ist "4HU"? Das sieht so aus als hättest du eine versteckte Schicht von nur 4 Neuronen? – Prune
Ja 4 Neuronen, versteckte Einheiten meinte ich, sorry. Ich versuche jetzt SparseLinea zu verwenden – Hetana