h2o 深度学习每次运行的不同结果

Question

我使用python的h2o深度学习对2个平衡类“0”和“1”的数据，并调整参数如下：

prostate_dl = H2ODeepLearningEstimator(
     activation=,"Tanh"
     hidden=[50,50,50],
     distribution="multinomial",
    score_interval=10,
    epochs=1000,
    input_dropout_ratio=0.2
    ,adaptive_rate=True
    , rho=0.998, epsilon = 1e-8
    )

prostate_dl .train( 
x=x,
y=y,
training_frame =train,
validation_frame = test) 

程序每次运行都会给出不同的混淆矩阵和精度结果，无论如何可以解释一下吗？结果怎么可能是可靠的？

此外，所有的运行都将多数预测作为“1”类而不是“0”类，他们有什么建议吗？

Answer 1

这个问题已经回答了here，但是你需要在Python中初始化H2ODeepLearningEstimator（或R中的h2o.deeplearning()）时设置reproducible=TRUE。

即使设置了reproducible=TRUE，H2O 深度学习的结果也只有在使用单核时才能重现；换句话说，当h2o.init(nthreads = 1)。其背后的原因在here 中进行了概述。

另外，根据 H2O 深度学习 user guide：

每个 Mapper 任务是否在一个单独的神经网络模型上工作，该模型在归约期间组合在一起，还是每个 Mapper 都在操纵一个跨节点持久的共享对象？

都不是；每个计算节点有一个模型，所以有多个 映射器/线程共享一个模型，这就是 H2O 不可重现的原因 除非使用小数据集且 force_load_balance=F 或 reproducible=T，有效地重新平衡到单个块和 导致只有一个线程启动 map()。当前的行为是 简单的模型平均；通过“Elastic”进行节点间模型平均 平均”目前正在进行中。