我试图调整autoencoder脚本here来处理文本数据 . 此代码使用MNIST数据集作为训练数据 . 该数据采用numpy 2d数组的形式 .
我的数据是一个大约100,000个实例的csr稀疏矩阵,具有大约50,000个特征 . 矩阵是使用sklearn的tfidfvectorizer来拟合和转换文本数据的结果 . 当我使用稀疏矩阵时,我修改代码以使用theano.sparse包来表示我的输入 . 我的训练集是符号变量:
train_set_x = theano.sparse.shared(train_set)
但是,theano.sparse矩阵无法执行原始脚本中使用的所有操作(有一个稀疏操作列表here) . 代码使用输入上的张量方法的点和和 . 我已经将点更改为sparse.dot但是我无法找到替换总和的内容,因此我将训练批次转换为密集矩阵并使用此成本函数中显示的原始张量方法:
def get_cost(self):
tilde_x = self.get_corrupted_input(self.x, self.corruption)
y = self.get_hidden_values(tilde_x)
z = self.get_reconstructed_input(y)
#make dense, must be a better way to do this
L = - T.sum(SP.dense_from_sparse(self.x) * T.log(z) + (1 - SP.dense_from_sparse(self.x)) * T.log(1 - z), axis=1)
cost = T.mean(L)
return cost
def get_hidden_values(self, input):
# use theano.sparse.dot instead of T.dot
return T.nnet.sigmoid(theano.sparse.dot(input, self.W) + self.b)
get_corrupted_input和get_reconstructed_input方法保持原样在上面的链接中 . 我的问题是有更快的方法吗?
将矩阵转换为密集使得训练非常缓慢 . 目前,一个训练时期需要20.67米,批量大小为20个训练实例 .
任何帮助或提示,您将非常感谢!