Pylearn2通常被推荐为Python的神经网络资源。

我想创建一个单隐藏层的神经网络，并使用反向传播算法进行训练。

这应该是一个基础的内容，但我不知道如何用pylearn2来实现。我找到了一个关于多层感知机的教程，但尽管如此，我仍然感到迷惑。（http://nbviewer.ipython.org/github/lisa-lab/pylearn2/blob/master/pylearn2/scripts/tutorials/multilayer_perceptron/multilayer_perceptron.ipynb）

n = 200p = 20X = np.random.normal(0, 1, (n, p))y = X[:,0]* X[:, 1] + np.random.normal(0, .1, n)

我想创建一个具有40个隐藏节点和Sigmoid激活函数的单层神经网络。

有人能帮我吗？

编辑：

我已经能够编写这段代码，但它仍然无法工作

ds = DenseDesignMatrix(X=X, y=y)hidden_layer = mlp.Sigmoid(layer_name='hidden', dim=10, irange=.1, init_bias=1.)output_layer = mlp.Linear(1, 'output', irange=.1)trainer = sgd.SGD(learning_rate=.05, batch_size=10,                   termination_criterion=EpochCounter(200))layers = [hidden_layer, output_layer]ann = mlp.MLP(layers, nvis=1)trainer.setup(ann, ds)while True:    trainer.train(dataset=ds)    ann.monitor.report_epoch()    ann.monitor()    if not trainer.continue_learning(ann):        break

回答：

这是我当前的解决方案：

n = 200p = 2X = np.random.normal(0, 1, (n, p))y = X[:,0]* X[:, 1] + np.random.normal(0, .1, n)y.shape = (n, 1)ds = DenseDesignMatrix(X=X, y=y)hidden_layer = mlp.Sigmoid(layer_name='hidden', dim=10, irange=.1, init_bias=1.)output_layer = mlp.Linear(dim=1, layer_name='y', irange=.1)trainer = sgd.SGD(learning_rate=.05, batch_size=10,                   termination_criterion=EpochCounter(200))layers = [hidden_layer, output_layer]ann = mlp.MLP(layers, nvis=2)trainer.setup(ann, ds)while True:    trainer.train(dataset=ds)    ann.monitor.report_epoch()    ann.monitor()    if not trainer.continue_learning(ann):        breakinputs = X y_est = ann.fprop(theano.shared(inputs, name='inputs')).eval()