如何通过mxnet训练一个二分类模型？

【例9.1】借用mxnet包中的mx.mlp函数和mlbench包数据设计一个二分类网络。

（1）准备数据，并进行简单的预处理

借用mlbench包中的一个二分类数据，并且将它分成训练集和测试集。

＞require（mlbench）

＞require（mxnet）

＞data（Sonar，package=＂mlbench＂）

＞Sonar[，61]=as.numeric（Sonar[，61]）-1

＞train.ind=c（1：50，100：150）

＞train.x=data.matrix（Sonar[train.ind，1：60]）

＞train.y=Sonar[train.ind，61]

＞test.x=data.matrix（Sonar[-train.ind，1：60]）

＞test.y=Sonar[-train.ind，61]

（2）建模

mxnet提供了一个训练多层神经网络的函数mx.mlp，可以通过它来训练一个神经网络模型。

＞mx.set.seed（0）

＞model＜-mx.mlp（train.x， #训练数据

＞train.y， #响应变量

＞hidden_node=10， #隐藏层的结点数量

＞out_node=2， #输出层的结点数

＞out_activation=＂softmax＂， #激活函数

＞num.round=20，

＞array.batch.size=15，(www.xing528.com)

＞learning.rate=0.07， #学习率

＞momentum=0.9，

＞eval.metric=mx.metric.accuracy #损失函数类型

）

Auto detect layout of input matrix，userowmajor..

Start training with 1 devices

[1]Train-accuracy=0.488888888888889

[2]Train-accuracy=0.514285714285714

[3]Train-accuracy=0.514285714285714

︙

[18]Train-accuracy=0.838095238095238

[19]Train-accuracy=0.838095238095238

[20]Train-accuracy=0.838095238095238

这里要注意，使用mx.set.seed而不是R自带的set.seed函数来控制随机数。因为mxnet的训练过程可能会运行在不同的运算硬件上，这里需要一个足够快的随机数生成器来管理整个随机数生成的过程。

（3）模型部署

模型训练好之后，可以很简单地进行预测：

＞preds=predict（model，test.x）

Auto detect layout of input matrix，userowmajor..

＞pred.label=max.col（t（preds））-1

＞table（pred.label，test.y）

如果进行的是多分类预测，mxnet的输出格式是类数×样本数。