R中栅格图像分类的RSNNS神经网络预测

Posted 2023-03-13

【中文标题】R中栅格图像分类的RSNNS神经网络预测

【英文标题】：RSNNS neural network prediction for raster image classification in R

【发布时间】：2016-06-26 20:38:34

【问题描述】：

我正在尝试使用R 中的RSNNS 包来利用神经网络的强大功能对大栅格进行图像分类。

至于模型的数据准备和训练，一切正常，准确度看起来很有希望。

随后，我尝试使用函数predict 对经过训练的模型对栅格值进行分类。拥有大量数据（尺寸为 10980x10980x16 的栅格堆栈），我正在逐块处理数据。这就是问题所在：

类值的预测非常慢。我正在开发一台功能强大的机器（Windows x64、32GB Ram、i7 3.4GHZ 四核），但这个过程几乎确实需要很长时间。我已经减小了块的大小，但所需的时间仍然是不可接受的。目前，我将数据分成每块 64 行的块。这将导致总共 172 个块。如果我假设每个块的处理时间是线性的（在我的情况下是 33 分钟！！！），那么我需要将近 95 个小时来处理整个图像。再一次，这是不对的。

我尝试过其他神经网络包，例如 nnet 在不到一分钟的时间内对这些更大的块进行分类。

所以，如果您对我做错了什么有任何指示，我将不胜感激。

这是一个类似于我的代码的工作示例：

library(RSNNS)

#example data for training and testing
dat <- matrix(runif(702720),ncol = 16)

#example data to classify
rasval <- matrix(runif(11243520),ncol = 16)

dat <- as.data.frame(dat)

#example class labels from 1 to 11
classes <- matrix(,ncol=1,nrow=nrow(dat))
classes <- apply(classes,1,function(x) floor(runif(1,0,11)))

dat$classes <- classes

#shuffle dataset
dat <- dat[sample(nrow(dat)),]


datValues <- dat[,1:16]
datTargets <- decodeClassLabels(dat[,17])

#split dataset
dat <- splitForTrainingAndTest(datValues, datTargets, ratio=0.15)

#normalize data
dat <- normTrainingAndTestSet(dat)

#extract normalization variables
ncolmeans <- attributes(dat$inputsTrain)$normParams$colMeans
ncolsds <- attributes(dat$inputsTrain)$normParams$colSds

#train model
model <- mlp(dat$inputsTrain, dat$targetsTrain, size=1, learnFunc="SCG", learnFuncParams=c(0, 0, 0, 0), 
             maxit=400, inputsTest=dat$inputsTest, targetsTest=dat$targetsTest)

#normalize raster data
rasval <- sweep(sweep(rasval,2,ncolmeans),2,ncolsds,'/')

#Predict classes ##Problem##
pred <- predict(model,rasval)

【参考方案1】：

是的，不幸的是，RSNNS 在预测时可能非常慢。新版本 0.4-8（还没有在 CRAN 上，但你可以从 github 获得它）应该会加快速度，但普遍的问题是每一行数据都需要单独传递到 SNNS 内核中，并解决这个问题意味着在内核中重新实现一些东西。并非不可能，但有一些工作要做。