在R中用neuralnet包训练一个神经网络模型，耗时数天，尚未完成

Question

我使用neuralnet包在R (R Studio)中为具有两个隐藏层的神经网络构建了一个模型。它已经连续3天，但模型没有训练。我所看到的只是通常闪烁的光标，这是正在处理的数据的标志。没有错误或警告消息，也没有任何崩溃。我只需要知道这是否正常，以及在训练模型和创建对象之前我应该期待多长时间。

这是一个相对简单的模型，使用1260行11列连续数据作为特征，预测第12列("标签")作为具有6类(多类分类任务)的因子。在将数据分割为训练和测试数据集之前，已经对数据进行了适当的缩放，并且类的因子列已经用r中的revalue()重新编码为数值。

model = neuralnet(
labels~A+B+C+D+E+F+G+H+I+J+K,        
data=train_data,
hidden=c(4,2),                
linear.output = FALSE,       
stepmax = 1e+06,             
)

我读了很多在线帖子，包括一些类似性质的堆栈溢出问题，但没有一个给我我需要的答案。这是由GPU还是模型的复杂性造成的?我该如何解决这个问题?以下是我的机器的规格:

Ubuntu 20.04.1 LTS 64位，RAM 48gib，处理器AMD®Ryzen 5 2600六核处理器× 12。

如果需要，我可以提供更多关于代码和我的机器的信息。如果有人能帮忙的话，我会很感激的。

编辑:有人从讨论中建议我添加更多关于我的代码的细节，所以这里是预处理部分:

#revalue the labels:
data <- 
data %>%
mutate(labels = revalue(labels, c("label1" = 1, "label2" = 2, 
"label3" = 3, "label4" = 4, "label5" = 5, "label6" = 6)))
#scaling numeric columns
varnames<- c("labels")
index<- names(data) %in% varnames
data1<- scale(data[, !index])  
data = merge(data["labels"] ,data1)
# split training and testing datasets
train_idx <- sample(nrow(data), 0.7 * nrow(data))
train_data <- data[train_idx,]
test_data <- data[-train_idx,] 
data <- data %>% mutate_if(is.character, as.factor)
#here the above model is run

Answer 1

这是一个很小的网络，一个很小的数据集;不会花那么长时间的。最重要的是，你的规格足够好。我的建议是先从文档中运行一个示例，看看是否可以使其正常运行。文档中的一个示例:

library(neuralnet)
# Binary classification
nn <- neuralnet(Species == "setosa" ~ Petal.Length + Petal.Width, iris, linear.output = FALSE)
## Not run: print(nn)
## Not run: plot(nn)

然后回到你的代码。一个小时已经太多了，所以如果再次发生这种情况，请尝试对数据集进行子采样。如果它一直发生，也许你需要在你的linux机器上做一些配置。

编辑后的问题更新:您使用的merge命令将合并两个数据框架的共同列或行名，所以我的猜测是，你在这里添加了很多行。如果我对虹膜数据集做同样的操作，行数将从150增加到22500。您可以在缩放后转换为数据帧，并使用简单的括号符号代替merge:

> data1<- as.data.frame(scale(data[, !index]))
> data1['labels']=data['labels']