DeepLearning工具Theano学习记录（一） 逻辑斯蒂回归

什么是Theano?（以下内容摘自网络）

** Theano是一个python库，使得写深度学习模型更加容易，同时也给出了一些关于在GPU上训练它们的选项。

2015/3/26

参考博客：http://blog.csdn.net/u012162613/article/details/43225445

仍然报错：



头大了，只能一边求救于师兄，一边自己google。

可能相关的web pages:

http://stackoverflow.com/questions/24402213/theano-test-optimization-failure-due-to-constant-folding-on-ubuntu

// theano.test()就报错，定位错误在

import pycuda
import pycuda.autoini

pycuda：http://mathema.tician.de/software/pycuda/

安装完pycuda后，仍然有上述错误。运行OK。

2015/3/30

查看gpu的使用情况，参考博客：http://my.oschina.net/zhangxu0512/blog/262932  nvidia-smi

2015/4/2

在GPU上用Logistic Regression, Multilayer Perceptron（MLP）和CNN跑MNIST的结果。

Logistic Regression代码疑问：

Q. patience作用

A：minibatch SGD具体优化过程：

将training_set, validation_set, test_set 按照batch_size切分。
在training_set上以切分后training_batch一个batch一个batch的进行参数优化。每优化validation_frequency 次数时候（注意这个值受 patience变化可能变化 validation_frequency = min(n_train_batches, patience / 2)），学习出的参数在validation_set和test_set上进行测试。
 如果在validation_set上的测试结果比以前测的validation最好测试结果有提高，就保存该次测试结果为validation最好测试结果。再进一步，如果提高的非常明显（this_validation_loss < best_validation_loss * improvement_threshold），那么就要对patient进行修正（patience = max(patience, iter * patience_increase)）。
 终止条件：1.达到了一定的迭代次数（由参数n_epochs指定，迭代次数上限为n_epochs * n_train_batches）或者
2. 迭代累加次数iter超过patience。

我自己对patience的理解：iter是累加的训练过的batch数量。n_epochs为迭代上限次数，而patience是理想迭代次数。也就是我们希望在patience的次数里看到发现不仅在training_set上表现好而且在validation_set表现好的参数的趋势。为什么说是趋势?
因为每次让我们看到希望（在validation_set上提高的非常明显），我们就开始修正patience值，让程序再多找一会。极端假设一下，后面优化出的参数在validation_set上的表现都不如第一次的，patience的值一直没有增加，累计迭代patience次数后，迭代终于。
相反如果在快到patience次数时候，发现了一组在validation_set上提高的非常明显参数，此时patience值会相应的增加，在不达到迭代上限次数(n_epochs
* n_train_batches)的情况下，让程序继续进行迭代。

2015/4/3

在DeepLearning工具Theano学习记录（二） 多层感知机的实验中发现的确如此。Experiment 1 跑了1000个epoch，达到设置epoch的上限，迭代被终止了。但是Experiment
2 ，只跑了467个epoch迭代就终止了。Experiemnt 2中在epoch=234中找到最优参数组后，陷入了一个局部最优，一直没有发现更优的结果。累计迭代轮数iter达到patience后[机器感觉不到找到更优参数的希望]，迭代结束。

程序中的n_epochs设置为1000， 在batch_size设置为600时候n_train_batches为83，此时迭代上限为83*1000。但是patience设置为5000。

在batch_size设置为600，迭代结束在epochs=74：



在batch_size设置为300，迭代也结束在epochs=74：



参考：

http://blog.csdn.net/u012162613/article/details/43225445

Logistic Regression : http://deeplearning.net/tutorial/logreg.html

MLP :http://deeplearning.net/tutorial/mlp.html#mlp

CNN: http://deeplearning.net/tutorial/lenet.html#lenet