Ich führe einen ziemlich einfachen Test von CNTK, aber keine Ergebnisse, die viel Sinn machen. Meine Trainings-/Testdaten bestehen aus einem Merkmal und einem Label. Das Feature ist eine Dezimalzahl und die Bezeichnung ist eine ganze Zahl zwischen 0-5. In der Mehrzahl der Fälle wird der Wert des Labels 0 oder 1 sein und immer seltener werden, wenn der Wert höher wird. 5 erscheint in etwa 16/30.000 Fällen.Unerwartete Ergebnisse von CNTK
Was ist seltsam ist, dass, wenn ich die Ergebnisse ausgeben sie darauf hinweisen, dass jede mögliche Marke hat etwa die gleiche Chance zu erscheinen. Ich würde erwarten, dass 0 oder 1 am wahrscheinlichsten und 5 am extrem unwahrscheinlich sind. Ich hoffte, dass SO ein Licht auf das werfen könnte, was ich hier falsch machen könnte. Ich habe einige Beispieldaten, eine Beispielausgabe und eine Konfigurationsdatei darunter eingefügt.
Config:
# Parameters can be overwritten on the command line
# for example: cntk configFile=myConfigFile RootDir=../..
# For running from Visual Studio add
# currentDirectory=$(SolutionDir)/<path to corresponding data folder>
RootDir = ".."
ConfigDir = "$RootDir$/Config"
DataDir = "$RootDir$/Data"
OutputDir = "$RootDir$/Output"
ModelDir = "$OutputDir$/Models"
# deviceId=-1 for CPU, >=0 for GPU devices, "auto" chooses the best GPU, or CPU if no usable GPU is available
deviceId = 0
command = Simple_Demo_Train:Simple_Demo_Train
precision = "float"
traceLevel = 1
modelPath = "$ModelDir$/simple.dnn"
outputNodeNames = ScaledLogLikelihood
#######################################
# TRAINING CONFIG #
#######################################
Simple_Demo_Train = [
action = "train"
# Notation xxx:yyy*n:zzz is equivalent to xxx, then yyy repeated n times, then zzz
# Example: 10:20*3:5 is equivalent to 10:20:20:20:5
SimpleNetworkBuilder = [
# 2 input, 2 50-element hidden, 2 output
layerSizes = 1:50*3:6
trainingCriterion = "CrossEntropyWithSoftmax"
evalCriterion = "ErrorPrediction"
layerTypes = "Sigmoid"
initValueScale = 1.0
applyMeanVarNorm = true
uniformInit = true
needPrior = true
]
SGD = [
# epochSize = 0 means epochSize is the size of the training set
epochSize = 0
minibatchSize = 25
learningRatesPerMB = 0.5:0.2*20:0.1
momentumPerMB = 0.9
dropoutRate = 0.0
maxEpochs = 10000
]
# Parameter values for the reader
reader = [
readerType = "UCIFastReader"
file = "$DataDir$/train.txt"
miniBatchMode = "partial"
randomize = "none"
verbosity = 1
features = [
dim = 1 # two-dimensional input data
start = 0 # Start with first element on line
]
labels = [
start = 1 # Skip two elements
dim = 1 # One label dimension
labelDim = 5 # Two labels possible
labelMappingFile = "$DataDir$/mapping.txt"
]
]
]
########################################
# TEST RESULTS #
# (computes prediction error and #
# perplexity on a test set and #
# writes the output to the console.) #
########################################
Simple_Demo_Test = [
action = "test"
# Parameter values for the reader
reader = [
readerType = "UCIFastReader"
file = "$DataDir$/test.txt"
miniBatchMode = "partial"
randomize = "none"
verbosity = 1
features = [
dim = 1 # two-dimensional input data
start = 0 # Start with first element on line
]
labels = [
start = 1 # Skip two elements
dim = 1 # One label dimension
labelDim = 5 # Two labels possible
labelMappingFile = "$DataDir$/mapping.txt"
]
]
]
########################################
# OUTPUT RESULTS #
# (Computes the labels for a test set #
# and writes the results to a file.) #
########################################
Simple_Demo_Output=[
action = "write"
# Parameter values for the reader
reader = [
readerType = "UCIFastReader"
file = "$DataDir$/test.txt"
miniBatchMode = "partial"
randomize = "none"
verbosity = 1
features = [
dim = 1 # two-dimensional input data
start = 0 # Start with first element on line
]
labels = [
start = 1 # Skip two elements
dim = 1 # One label dimension
labelDim = 5 # Two labels possible
labelMappingFile = "$DataDir$/mapping.txt"
]
]
outputPath = "$OutputDir$/SimpleOutput" # Dump output as text
]
Beispieltrainingsdaten:
0.86 2
0.84 0
6.818182 0
1.34 1
1 1
0.92 0
0.7692308 0
0.755102 1
0.86 2
5.466667 0
0.96 0
0.9459459 1
1 4
1 0
0.8421053 2
5.5 0
0.84 2
1.2 2
1.32 1
0.98 0
1 1
1.2 2
5.4 1
1.06 2
0.98 1
1.041667 3
0.82 2
7.333333 0
Beispielausgabe:
3.18673 3.18266 3.19894 3.18264 3.2388 3.235
3.18683 3.18272 3.19895 3.18264 3.23872 3.23491
3.18668 3.18263 3.19894 3.18263 3.23884 3.23505
3.18653 3.18255 3.19893 3.18263 3.23895 3.23518
6.53459 4.97457 3.46288 3.3192 0.668835 0.204602
3.18667 3.18263 3.19894 3.18263 3.23884 3.23505
3.18657 3.18258 3.19893 3.18263 3.23892 3.23515
3.18655 3.18257 3.19893 3.18263 3.23894 3.23516
3.18665 3.18262 3.19894 3.18263 3.23886 3.23507
3.18656 3.18257 3.19893 3.18263 3.23893 3.23515
3.18654 3.18256 3.19893 3.18263 3.23895 3.23517
3.18688 3.18274 3.19895 3.18264 3.23869 3.23487
3.18675 3.18267 3.19894 3.18264 3.23879 3.23498
3.18679 3.18269 3.19895 3.18264 3.23875 3.23494
3.1866 3.18259 3.19893 3.18263 3.2389 3.23512
3.18655 3.18256 3.19893 3.18263 3.23894 3.23517
3.18652 3.18255 3.19893 3.18263 3.23896 3.23519
3.18656 3.18257 3.19893 3.18263 3.23893 3.23515
3.18656 3.18257 3.19893 3.18263 3.23894 3.23516
3.18688 3.18274 3.19895 3.18264 3.23869 3.23487
3.18698 3.1828 3.19896 3.18265 3.23861 3.23477
Mapping-Datei:
0
1
2
3
4
5