在 R / mxnet 中正确格式化 lstm 循环神经网络的数据答案

【问题标题】：Correctly formatting data for lstm recurrent neural network in R / mxnet在 R / mxnet 中正确格式化 lstm 循环神经网络的数据
【发布时间】：2017-05-08 17:18:55
【问题描述】：

我想使用 R 包 mxnet 中的 mx.lstm 函数训练一个 lstm 神经网络。我的数据包含 n 个特征向量、一个标记类向量和一个时间向量，就像这个虚拟示例一样，其中 X1、X2、X3 是特征：

dat <- data.frame(
  X1 = rnorm(100, 1, sd = 1),
  X2 = rnorm(100, 2, sd = 1),
  X3 = rnorm(100, 3, sd = 1),
  class = sample(c(1,0), replace = T, 100),
  time =  seq(0.01,1,0.01))

mx.lstm 的帮助说明 train.data 参数需要“mx.io.DataIter or list(data=R.array, label=R.array) The Training set”。

我试过这个：

library(mxnet)

# Convert dummy data into suitable format
trainDat <- list(data = array(c(dat$X1, dat$X2, dat$X3), dim = c(100,3)), 
label = array(dat[,4], dim = c(100,1)))

# Set the basic network parameters for the lstm (arbitrary for this example)
batch.size = 32
seq.len = 32
num.hidden = 16
num.embed = 16
num.lstm.layer = 1
num.round = 1
learning.rate = 0.1
wd = 0.00001
clip_gradient = 1
update.period = 1

# Run the model
model <- mx.lstm(train.data = trainDat,
             ctx=mx.cpu(),
             num.round=num.round, 
             update.period=update.period,
             num.lstm.layer=num.lstm.layer, 
             seq.len=seq.len,
             num.hidden=num.hidden, 
             num.embed=num.embed, 
             num.label=vocab,
             batch.size=batch.size, 
             input.size=vocab,
             initializer=mx.init.uniform(0.1), 
             learning.rate=learning.rate,
             wd=wd,
             clip_gradient=clip_gradient)

返回“mx.io.internal.arrayiter(as.array(data), as.array(label), unif.rnds, 中的错误： basic_string::_M_replace_aux"

mxnet网站上有一个例子lstm，但是用的数据和我的大不一样，看不懂。

http://mxnet.io/tutorials/r/charRnnModel.html

那么，我的问题是如何将我的数据转换为适合 mx.lstm 的格式？

【问题讨论】：

标签： r neural-network mxnet

【解决方案1】：

我尝试重现您的错误并收到更详细的消息：

mx.io.internal.arrayiter(as.array(data), as.array(label), unif.rnds, 中的错误： io.cc:50: 似乎 X, y 以 Row 主要方式传递，MXNetR 采用列主要约定。请改为传递 X 的转置

我通过将数据和标签数组传递给 aperm() 来修复错误。

trainDat <- list(data = aperm(array(c(dat$X1, dat$X2, dat$X3), dim = c(100,3))), label = aperm(array(dat[,4], dim = c(100,1))))

【讨论】：