Несколько реальных входов и несколько реальных выходов в нейронной сети

Question

Как я могу обучить персептрон, где есть несколько входных и выходных узлов, и оба являются реальными? (. От сигнала)

Я делаю это, потому что я хочу, чтобы обучить нейронную сеть для прогнозирования коэффициентов MFCC приведены некоторые точки данных

Ниже приведен пример данных: http://pastebin.com/dtHGUeax я не буду ставить данные здесь, потому что файл «большой».

Я использую nolearn в данный момент, потому что позже я добавлю больше слоев для глубокого обучения.

net = NeuralNet(
    layers=[('input', layers.InputLayer), 
      ('output', layers.DenseLayer), 
      ], 

    # Layer parameters 
    input_shape=(None, 256), 
    output_nonlinearity=lasagne.nonlinearities.softmax, 
    output_num_units=13, 

    # Optimization 
    update=nesterov_momentum, 
    update_learning_rate=0.01, 
    update_momentum=0.9, 

    regression=True, 
    max_epochs=500, 
    verbose=1 
) 

Коэффициент ошибок, с которыми я столкнулся, очень высок.

Answer 1

Извлечение MFCC из спектра мощности нелинейно, вы не можете воспроизвести его одним слоем. Если вы хотите воспроизвести его с несколькими слоями, вам необходимо рассмотреть алгоритм MFCC.

экстракции

MFCC могут быть представлены с помощью следующей нейронной сети:

• Layer 1 плотная матрица размером 256x40 с логарифмом нелинейности
• Слой 2 плотная матрица размером 40Х13 без нелинейности (такой же, как линейной нелинейности или идентичен нелинейность в лазании)

Если воспроизвести эту сеть с nolearn он сможет узнать это правильно, однако, логарифм нелинейность еще не реализована в лазании, так что вы должны implem это сам. Другим решением было бы заменить нелинейность логарифма на tanh или пару стандартных нелинейных слоев.

Для воспроизведения MFCC вам необходимо иметь 2 слоя с логарифмической нелинейностью или 3-4 уровнями с мягкой нелинейностью и последний слой должен быть сконфигурирован линейной нелинейностью.