Pybrain:如何打印网络(节点和权重)

Question

最后我设法从一个文件中训练一个网络:)现在我想打印节点和权重，特别是权重，因为我想用pybrain训练网络，然后在其他地方实现一个将使用它的NN。

我需要一种方法来打印图层，节点和节点之间的权重，这样我就可以很容易地复制它。到目前为止，我看到我可以使用n['in']来访问图层，例如，然后我可以输入:

dir (n['在'])类[' "、" delattr "、" dict "、"医生"、"格式"、" getattribute "、"哈希"、" init "、"模块"、"新"、"减少"、" reduce_ex "、" repr "、" setattr "、"运算符"、" str "、" subclasshook "、" weakref ’,‘_backwardImplementation’,‘_forwardImplementation’,‘_generateName’,‘_getName’,'_growBuffers'， '_name'， '_name'， '_nameIds'， '_resetBuffers'， '_setName'， 'activate'， 'activateOnDataset'， 'argdict'， 'backActivate'， 'backward'， 'bufferlist'， 'dim'， 'forward'， 'getName'， 'indim'， 'inputbuffer'， 'inputerror'， 'name'， 'offset'， 'outdim'， 'outputbuffer'， 'outputerror'， 'paramdim'， 'reset'， 'sequential'， 'setArgs'， 'setName'， 'shift'， ' whenneuron ']

但是我不知道如何访问这里的权重。还有params属性，例如，我的网络是带有偏差的2 4 1，它说:

n.params[-0.8167133, 1.00077451， -0.7591257， -1.1150532， -1.58789386，]0.11625991, 0.98547457， -0.99397871， -1.8324281， -2.42200963，1.90617387, 1.93741167， -2.88433965, 0.27449852， -1.52606976，2.39446258, 3.01359547])

很难说什么是什么，至少有权重连接哪些节点。

Answer 1

访问网络内部的方法有很多种，即通过其"模块"列表或"连接"字典。参数存储在这些连接或模块中。例如，下面的命令应该打印任意网络的所有信息:

for mod in net.modules:
    print("Module:", mod.name)
    if mod.paramdim > 0:
        print("--parameters:", mod.params)
    for conn in net.connections[mod]:
        print("-connection to", conn.outmod.name)
        if conn.paramdim > 0:
             print("- parameters", conn.params)
    if hasattr(net, "recurrentConns"):
        print("Recurrent connections")
        for conn in net.recurrentConns:
            print("-", conn.inmod.name, " to", conn.outmod.name)
            if conn.paramdim > 0:
                print("- parameters", conn.params)

如果你想要更细粒度的东西(在神经元层面而不是层层面)，你将不得不进一步分解这些参数向量——或者，或者，从单神经元层构建你的网络。

Answer 2

试试这个，它对我有效:

def pesos_conexiones(n):
    for mod in n.modules:
        for conn in n.connections[mod]:
            print conn
            for cc in range(len(conn.params)):
                print conn.whichBuffers(cc), conn.params[cc]

结果应该是:

<FullConnection 'co1': 'hidden1' -> 'out'>
(0, 0) -0.926912942354
(1, 0) -0.964135087592
<FullConnection 'ci1': 'in' -> 'hidden1'>
(0, 0) -1.22895643048
(1, 0) 2.97080368887
(2, 0) -0.0182867906276
(3, 0) 0.4292544603
(4, 0) 0.817440427069
(0, 1) 1.90099230604
(1, 1) 1.83477578625
(2, 1) -0.285569867513
(3, 1) 0.592193396226
(4, 1) 1.13092061631

Answer 3

也许这有帮助(PyBrain for Python 3.2)?

C:tmppybrain_examples>Python32python.exe
Python 3.2 (r32:88445, Feb 20 2011, 21:29:02) [MSC v.1500 32 bit (Intel)] on win32
Type "help", "copyright", "credits" or "license" for more information.
>>> from pybrain.tools.shortcuts import buildNetwork
>>> from pybrain.structure.modules.tanhlayer import TanhLayer
>>> from pybrain.structure.modules.softmax import SoftmaxLayer
>>>
>>> net = buildNetwork(4, 3, 1,bias=True,hiddenclass = TanhLayer, outclass =   SoftmaxLayer)
>>> print(net)
FeedForwardNetwork-8
Modules:
[<BiasUnit 'bias'>, <LinearLayer 'in'>, <TanhLayer 'hidden0'>, <SoftmaxLayer 'out'>]
Connections:
[<FullConnection 'FullConnection-4': 'hidden0' -> 'out'>, <FullConnection   'FullConnection-5': 'bias' -> 'out'>, <FullConnection
'FullConnection-6': 'bias' -> 'hidden0'>, <FullConnection 'FullConnection-7': 'in' -> 'hidden0'>]