R語言結合H2O做深度學習
環境: Windows 7, RStudio
1. 進入RStudio,輸入安裝
3. 觀看下示例
localH2O = h2o.init(ip = "localhost", port = 54321, startH2O = TRUE,Xmx = '1g')
H2O is not running yet, starting it now...
Performing one-time download of h2o.jar from
(This could take a few minutes, please be patient...)
Note: In case of errors look at the following log files:
C:/TMP/h2o_huangqiang01_started_from_r.out
C:/TMP/h2o_huangqiang01_started_from_r.err
java version "1.7.0_25"
Java(TM) SE Runtime Environment (build 1.7.0_25-b17)
Java HotSpot(TM) 64-Bit Server VM (build 23.25-b01, mixed mode)
Successfully connected to
R is connected to H2O cluster:
H2O cluster uptime: 3 seconds 408 milliseconds
H2O cluster version: 2.4.3.11
H2O cluster name: H2O_started_from_R
H2O cluster total nodes: 1
H2O cluster total memory: 0.96 GB
H2O cluster total cores: 4
H2O cluster healthy: TRUE
(h2o.glm)
4. 訓練minist資料
下載 Train Dataset:
下載 Test Dataset:
res data.frame(Training = NA, Test = NA, Duration = NA)
#載入資料到h2o
train_h2o test_h2o C:/Users/jerry/Downloads/mnist_test.csv")
y_train y_test
##訓練模型要很長一段時間,多個cpu使用率幾乎是100%,風扇狂響。最後一行有相應的進度條可檢視
model y = 1, # column number for label
data = train_h2o,
activation = "Tanh",
balance_classes = TRUE,
hidden = c(100, 100, 100), ## three hidden layers
epochs = 100)
#輸出模型結果
> model
IP Address: localhost
Port : 54321
Parsed Data Key: mnist_train.hex
Deep Learning Model Key: DeepLearning_9c7831f93efb58b38c3fa08cb17d4e4e
Training classification error: 0
Training mean square error: Inf
Validation classification error: 0
Validation square error: Inf
Confusion matrix:
Reported on mnist_train.hex
Predicted
Actual 0 1 2 3 4 5 6 7 8 9 Error
0 5923 0 0 0 0 0 0 0 0 0 0
1 0 6742 0 0 0 0 0 0 0 0 0
2 0 0 5958 0 0 0 0 0 0 0 0
3 0 0 0 6131 0 0 0 0 0 0 0
4 0 0 0 0 5842 0 0 0 0 0 0
5 0 0 0 0 0 5421 0 0 0 0 0
6 0 0 0 0 0 0 5918 0 0 0 0
7 0 0 0 0 0 0 0 6265 0 0 0
8 0 0 0 0 0 0 0 0 5851 0 0
9 0 0 0 0 0 0 0 0 0 5949 0
Totals 5923 6742 5958 6131 5842 5421 5918 6265 5851 5949 0
>
> str(model)
## 評介效能
yhat_train yhat_train
yhat_test yhat_test
檢視前100條預測與實際的資料相比較
> y_test[1:100]
[1] 7 2 1 0 4 1 4 9 5 9 0 6 9 0 1 5 9 7 3 4 9 6 6 5 4 0 7 4 0 1 3 1 3 4 7 2 7 1 2 1 1 7 4 2 3 5 1 2 4 4 6 3 5 5 6 0 4 1 9 5 7 8 9 3 7 4
[67] 6 4 3 0 7 0 2 9 1 7 3 2 9 7 7 6 2 7 8 4 7 3 6 1 3 6 9 3 1 4 1 7 6 9
Levels: 0 1 2 3 4 5 6 7 8 9
>
> yhat_test[1:100]
[1] 7 2 1 0 4 1 8 9 4 9 0 6 9 0 1 5 9 7 3 4 9 6 6 5 4 0 7 4 0 1 3 1 3 4 7 2 7 1 2 1 1 7 4 2 3 5 1 2 4 4 6 3 5 5 6 0 4 1 9 5 7 8 9 3 7 4
[67] 6 4 3 0 7 0 2 9 1 7 3 2 9 7 7 6 2 7 8 4 7 3 6 1 3 6 9 3 1 4 1 7 6 9
Levels: 0 1 2 3 4 5 6 7 8 9
效果還可以
## 檢視並儲存結果
library(caret)
res[1, 1] res[1, 2] print(res)
(注意:程輯包‘h2o’是用R版本3.0.1 來建造的 , 因此R base應該升級到相應版本, 不然就出現以下報錯:
> library(h2o)
Error in eval(expr, envir, enclos) : 沒有".getNamespace"這個函式
此外: 警告資訊:
程輯包‘h2o’是用R版本3.0.1 來建造的
Error : 程輯包‘h2o’裡的R寫碼載入失敗
錯誤: ‘h2o’程輯包/名字空間載入失敗
解決方法: 下載 並安裝, 更新其它包的 update.packages(ask=FALSE, checkBuilt = TRUE)
)
1. 進入RStudio,輸入安裝
("h2o", repos=(("", ("repos"))))
2. 加裝包,啟動h2o本地環境
(h2o)
載入需要的程輯包:rjson
載入需要的程輯包:statmod
載入需要的程輯包:tools
----------------------------------------------------------------------
Your next step is to start H2O and get a connection object (named
'localH2O', for example):
> localH2O = h2o.init()
For H2O package documentation, first call init() and then ask for help:
> localH2O = h2o.init()
> ??h2o
To stop H2O you must explicitly call shutdown (either from R, as shown
here, or from the Web UI):
> h2o.shutdown(localH2O)
After starting H2O, you can use the Web UI at
For more information visit
----------------------------------------------------------------------
載入程輯包:‘h2o’
下列物件被遮蔽了from ‘package:base’:
max, min, sum
Warning messages:
1: 程輯包‘h2o’是用R版本3.0.3 來建造的
2: 程輯包‘rjson’是用R版本3.0.3 來建造的
3: 程輯包‘statmod’是用R版本3.0.3 來建造的
3. 觀看下示例
localH2O = h2o.init(ip = "localhost", port = 54321, startH2O = TRUE,Xmx = '1g')
H2O is not running yet, starting it now...
Performing one-time download of h2o.jar from
(This could take a few minutes, please be patient...)
Note: In case of errors look at the following log files:
C:/TMP/h2o_huangqiang01_started_from_r.out
C:/TMP/h2o_huangqiang01_started_from_r.err
java version "1.7.0_25"
Java(TM) SE Runtime Environment (build 1.7.0_25-b17)
Java HotSpot(TM) 64-Bit Server VM (build 23.25-b01, mixed mode)
Successfully connected to
R is connected to H2O cluster:
H2O cluster uptime: 3 seconds 408 milliseconds
H2O cluster version: 2.4.3.11
H2O cluster name: H2O_started_from_R
H2O cluster total nodes: 1
H2O cluster total memory: 0.96 GB
H2O cluster total cores: 4
H2O cluster healthy: TRUE
(h2o.glm)
4. 訓練minist資料
下載 Train Dataset:
下載 Test Dataset:
res data.frame(Training = NA, Test = NA, Duration = NA)
#載入資料到h2o
train_h2o test_h2o C:/Users/jerry/Downloads/mnist_test.csv")
y_train y_test
##訓練模型要很長一段時間,多個cpu使用率幾乎是100%,風扇狂響。最後一行有相應的進度條可檢視
model y = 1, # column number for label
data = train_h2o,
activation = "Tanh",
balance_classes = TRUE,
hidden = c(100, 100, 100), ## three hidden layers
epochs = 100)
#輸出模型結果
> model
IP Address: localhost
Port : 54321
Parsed Data Key: mnist_train.hex
Deep Learning Model Key: DeepLearning_9c7831f93efb58b38c3fa08cb17d4e4e
Training classification error: 0
Training mean square error: Inf
Validation classification error: 0
Validation square error: Inf
Confusion matrix:
Reported on mnist_train.hex
Predicted
Actual 0 1 2 3 4 5 6 7 8 9 Error
0 5923 0 0 0 0 0 0 0 0 0 0
1 0 6742 0 0 0 0 0 0 0 0 0
2 0 0 5958 0 0 0 0 0 0 0 0
3 0 0 0 6131 0 0 0 0 0 0 0
4 0 0 0 0 5842 0 0 0 0 0 0
5 0 0 0 0 0 5421 0 0 0 0 0
6 0 0 0 0 0 0 5918 0 0 0 0
7 0 0 0 0 0 0 0 6265 0 0 0
8 0 0 0 0 0 0 0 0 5851 0 0
9 0 0 0 0 0 0 0 0 0 5949 0
Totals 5923 6742 5958 6131 5842 5421 5918 6265 5851 5949 0
>
> str(model)
## 評介效能
yhat_train yhat_train
yhat_test yhat_test
檢視前100條預測與實際的資料相比較
> y_test[1:100]
[1] 7 2 1 0 4 1 4 9 5 9 0 6 9 0 1 5 9 7 3 4 9 6 6 5 4 0 7 4 0 1 3 1 3 4 7 2 7 1 2 1 1 7 4 2 3 5 1 2 4 4 6 3 5 5 6 0 4 1 9 5 7 8 9 3 7 4
[67] 6 4 3 0 7 0 2 9 1 7 3 2 9 7 7 6 2 7 8 4 7 3 6 1 3 6 9 3 1 4 1 7 6 9
Levels: 0 1 2 3 4 5 6 7 8 9
>
> yhat_test[1:100]
[1] 7 2 1 0 4 1 8 9 4 9 0 6 9 0 1 5 9 7 3 4 9 6 6 5 4 0 7 4 0 1 3 1 3 4 7 2 7 1 2 1 1 7 4 2 3 5 1 2 4 4 6 3 5 5 6 0 4 1 9 5 7 8 9 3 7 4
[67] 6 4 3 0 7 0 2 9 1 7 3 2 9 7 7 6 2 7 8 4 7 3 6 1 3 6 9 3 1 4 1 7 6 9
Levels: 0 1 2 3 4 5 6 7 8 9
效果還可以
## 檢視並儲存結果
library(caret)
res[1, 1] res[1, 2] print(res)
(注意:程輯包‘h2o’是用R版本3.0.1 來建造的 , 因此R base應該升級到相應版本, 不然就出現以下報錯:
> library(h2o)
Error in eval(expr, envir, enclos) : 沒有".getNamespace"這個函式
此外: 警告資訊:
程輯包‘h2o’是用R版本3.0.1 來建造的
Error : 程輯包‘h2o’裡的R寫碼載入失敗
錯誤: ‘h2o’程輯包/名字空間載入失敗
解決方法: 下載 並安裝, 更新其它包的 update.packages(ask=FALSE, checkBuilt = TRUE)
)
來自 “ ITPUB部落格 ” ,連結:http://blog.itpub.net/16582684/viewspace-1255976/,如需轉載,請註明出處,否則將追究法律責任。
相關文章
- R語言的初級學習R語言
- 【R語言學習筆記】探索ggplot的排列組合(一)R語言筆記
- R語言學習-迴歸診斷R語言
- R語言學習筆記之一R語言筆記
- 組合語言學習筆記組合語言筆記
- R語言學習-高階資料管理R語言
- 獨家 | 手把手教你學習R語言(附資源連結)R語言
- 【R語言學習筆記】探索ggplot的排列組合:線圖(一)R語言筆記
- 機器學習/深度學習/自然語言處理學習路線機器學習深度學習自然語言處理
- 組合語言-學習記錄(二)組合語言
- 【R語言學習筆記】若干排序問題R語言筆記排序
- R語言學習筆記:基礎知識R語言筆記
- go語言學習-結構體Go結構體
- R語言data manipulation學習筆記之subset dataR語言筆記
- 【學習感悟】文科生如何入門R語言R語言
- 深度學習、自然語言處理和表徵方法深度學習自然語言處理
- 如何用深度學習做自然語言處理?這裡有份最佳實踐清單深度學習自然語言處理
- 應用統計學與R語言實現學習筆記(七)——擬合優度檢驗R語言筆記
- r語言R語言
- Swift語言Storyboard教程學習總結Swift
- 簡易指南帶你啟動 R 語言學習之旅
- 哪種程式語言適合初學者學習
- 【R語言入門】R語言環境搭建R語言
- 結合自己的經歷談談怎麼更好地學習Go語言Go
- 自然語言處理的基本概念--結合spacy軟體的學習自然語言處理
- 深度學習和圖形學渲染的結合和應用深度學習
- C語言學習方法,怎麼學習C語言?C語言
- 【R語言學習筆記】文件讀取和型別修改R語言筆記型別
- Solidity語言學習筆記————32、建立合約Solid筆記
- 組合語言學習筆記(十二)-浮點指令組合語言筆記
- 《組合語言》王爽,學習筆記(子程式呼叫)組合語言筆記
- Perl語言學習(四)Perl控制結構
- 深度學習浪潮中的自然語言處理技術深度學習自然語言處理
- R 語言使用
- 嘗試 H2o 做機器學習機器學習
- 為什麼要學習Python語言?哪些人適合學習?Python
- java語言學習Java
- go語言學習Go