Encog中的自组织地图训练策略答案

【问题标题】：Self Organizing Map training strategy in EncogEncog中的自组织地图训练策略
【发布时间】：2014-11-27 19:25:17
【问题描述】：

我正在尝试使用 Encog3 训练 SOM。在 encog-examples 中有两个这样做的例子——一个是训练一个 XOR SOM，其中所有数据都用于训练直到收敛，另一个是 Color SOM，其中 15 种颜色中的一种在 1000 次迭代中的每次迭代中随机采样。我的问题是，第二种方法是否如此，示例在足够短的时间内完成了足够的结果，或者是否有这样做的原因。如果我在每次迭代中使用所有 15 种输入颜色进行训练，会产生更好的结果吗？

【问题讨论】：

标签： neural-network encog

【解决方案1】：

这取决于您要寻找的结果。这是 SOM 的一个非常常见的示例。这是对完全相同的事情的更冗长的描述（不是我写的）。

http://www.ai-junkie.com/ann/som/som2.html

该示例的目的是展示模式如何从 SOM 的训练中产生。我在 SOM 中看到的大多数颜色示例都是这样做的（在线培训）。它导致输出更加多样化/随机。

SOM 可以批量训练。对示例进行修改并不困难。如果您正在寻找快速收敛，那么是的，您会得到更好的结果。但是，该示例很快收敛到接近单一颜色，而且速度非常快。您不会获得大多数这些示例所寻找的几种颜色的动画收敛。

【讨论】：

我的用例是可视化由 gensim 的 word2vec 创建的词向量。我运行了 1000 次在线迭代（它在每次迭代中对我的 250 个词向量中的一个进行采样）与批量迭代（在每个阶段使用所有 250 个词向量）。两种输出都揭示了有趣的模式，但批处理方法需要半天时间，而在线方法则不到几分钟。
只是想说谢谢你的帮助，并结束循环，我的用例和使用 gensim 和 encog3 组合的解决方案在我的博客文章中有更全面的描述：sujitpal.blogspot.com/2014/10/…跨度>
嘿@JeffHeaton 我有来自加速度计的数据，所以 3 轴/向量（x[]、y[]、z[]）。我将使用这些数据来识别动作。我想在无监督训练中使用 NN，因为我只会记录一次运动，然后将其与保存的一些进行比较。你能告诉我我应该使用什么encog实现，以及如何构建数据什么时候3向量使用哪个类？