1. graphlab.deeplearning.create(dataset, target, features= None, network_type='auto')
NeuralNet对象由deeplearning.create()得到，返回的网络可以被graphlab.neuralnet_classifier.create()用来训练NeuralNetClassifier。
一般工作流程分为三步：
使用graphlab.deeplearning.create()创建神经网络；调整神经网络参数，让其适用于目标任务；用给定的网络架构和超参数，通过graphlab.neuralnet_classifier.create()产生的网络训练NeuralNetClassifier。当数据包含图像列额，返回一个ConvolutionNet，否则返回一个MultiLayerPerceptrons
参数： dataset: SFrame 要为其创建神经网络的数据库 target: str 预测目标列名称 features: list[str] （可选） 使用features的列名训练模型。每列必须包含floats向量或者有一列是Image类型。默认为None（使用除了target列的全部列） network_type: str, {‘auto’, ‘perceptrons’, ‘convolution’} （可选）确定创建的网络类型。默认自动为给图片输入创建ConvolutionNet，给常规的数值输入创建MultiLayerPerceptrons
返回：NeuralNet
注意：返回的神经网络可能是此优的，用作训练的初始开始点
例子：
https://turi.com/products/create/docs/generated/graphlab.deeplearning.create.html#graphlab.deeplearning.create
2. graphlab.neuralnet_classifier.create(dataset, target, features=None, max_iterations=10, network=None, validation_set='auto', verbose=True, class_weights=None, **kwargs) 创建一个NeuralNetClassifier，用数字特征或者图像数据特征预测数据的类。 可选参数network接受一个NeuralNet对象，这个NeuralNet对象定义神经网络构架和学习参数。在模型学习过程中，这是最重要的参数。推荐开始时使用deeplearning.create()返回的默认构架，然后调整构架，使其最适于你的目标任务。 多GPU支持 神经网络分类器的创建利用多GPU设备的优势。默认的，它使用能够发现的所有GPU。你可以通过设置运行时间配置“GRAPHLAB_NEURALNET_DEFAULT_GPU_DEVICE_ID”改变默认行为。比如：下面的代码将默认改为只使用0和2两台设备
graphlab.set_runtime_config("GRAPHLAB_NEURALNET_DEFAULT_GPU_DEVICE_ID", "0,2")注意： 如果GPU之间存在不平衡，也就是其中有一个GPU比其他的慢，那么更快一点的GPU最终会等待较慢的GPU
参数：
dataset： SFrame 一个训练数据集，包含特征列和目标列。如果特征列类型为graphlab.Image，那么所有的图片必须是相同的尺寸。target： str dataset中列名为预测目标。这列中的值代表类别，必须是整数或者字符串。features：list[str]（可选） 特征列名常用来训练模型。每列必须包含floats向量或者有一列为Image类型。默认为None，表示所有的列都被使用（除了target列）。max_iterations：int（可选） 最大迭代次数network：NeuralNet（可选） NeuralNet对象包含模型学习参数和对网络构架的定义。默认为None，但是推荐使用deeplearning.create()给输入数据找到一个默认结构，但是这个默认的结构不是最优的，所以强烈建议调整NeuralNet。validation_set：SFrame（可选） 用于监视模型泛化性能的数据集。对于进度表的每一行，为所提供的训练数据集和validation_set计算所选择的度量。这个SFrame的格式必须与训练数据集相同。这个参数默认设置为‘auto’，自动地对验证集采样并用于进程打印。如果validation_set被设置为None，那么不会计算其他度量。每次完全迭代只计算一次，默认值为‘auto’。class_weights：{dict，‘auto’}（可选） 根据给定的类权重给训练数据样例加权重。如果设置为None，所有类会平均权重。‘auto’模式设置类权重为与训练数据中给定类别的数字样例成反比例。如果提供自定义类权重，那么所有的类都必须出现在字典中。kwargs：dict（可选） 训练神经网络的另一个参数。下列所有的参数都可以存储在一个神经网络对象的params属性中。如果在两个地方设置了相同的参数，那么在创建函数中的参数将重写在神经网络对象中的参数。 batch_size：int 默认为100 SGD迷你批量尺寸。更大的batch_size会提升每次迭代的速度，但是会耗费更多GPU或CPU内存。model_checkpoint_path：str 默认“” 如果被指定，则每n次迭代保存模型到给定的路径，n由model_checkpoint_interval指定。model_checkpoint_interval：int 默认为5 如果model_checkpoint_path被指定，每n次迭代保存模型到给定的路径。mean_image：graphlab.image.Image 默认为None 如果设置该参数并且subtract_mean为True，则用给定的图像来节省计算时间。metric： {‘accuracy’, ‘error’, ‘recall@5’, …} 默认为auto metric用来评估训练数据和验证数据。为了在多种标准上进行评估，提供一列评估字符串，例如{‘accuracy’，‘recall@5’}，或者用一个逗号分隔开，例如‘accuracy，recall@5’。subtract_mean：bool 默认为True 如果为True，则每张图像减掉平均值。计算训练数据计算平均值图像或者用给定的mean_image计算。减掉平均值集中输入数据有助于加速神经网络训练。 random_crop：bool 默认False 如果为True，对输入图像随机剪裁。被剪裁的图片尺寸由input_shap参数定义。随机剪裁通过扩张数据库防止模型过拟合。input_shape：str 默认为None 以通道，宽度，高度为格式的字符串，例如：“1，28，28”或者“3，256，256”，表明随机剪裁后的图像形状。input_shape不能超出原始图片尺寸大小。random_mirror：bool 默认为False 如果为True，将随机镜像应用到输入图像上。随机镜像通过扩张数据库防止模型过拟合。learning_rate：float 默认为0.001 偏置和权重的学习率。momentum： float （0~1之间）默认为0.9 偏置和权重的动量。l2_regularization：float 默认为0.0005 权重的L2正则化。 bias_learning_rate：float 默认为不使用 指定偏置的学习率，重写learning_rate。bias_momentum：float 默认为不使用 指定偏置的动量，重写momentum。 bias_l2_regularization：float 默认为0.0 偏置的L2正则化。 learning_rate_schedule： {‘constant’, ‘exponential_decay’, ‘polynomial_decay’} 学习率调度算法。 constant：对于所有的迭代使用相同的学习率。 exponential_decay：每次迭代指数降低学习率。详情参阅注释部分。 learning_rate_start_epoch：int 默认为0 开始学习率调度。 min_learning_rate：float 默认为0.00001 学习率最小值。 learning_rate_step：int 默认为1 每learning_rate_step数量个特定时间上传学习率。learning_rate_gamma：float 默认为0.1 exponential_decay中使用的学习衰变参数。 learning_rate_alpha：float 默认为0.5 polynomial_decay中使用的学习衰变参数。 init_random：{‘gaussian’|‘xavier’} 默认为‘gaussian’ 权重的初始类型。使用随机高斯初始化或者泽维尔初始化。更多信息见FullConnectionLayer参数。 init_sigma：float 默认为0.01 高斯分布权重初始化的标准偏差来源。 init_bias：float 默认为0.0 偏置的初始值。 divideby：float 默认为1.0 在输入数据插入网络之前缩放的值。 **输出：**NeuralNetClassifier注释： 对于exponential_decay，学习率按下式指数降低： 对于polynomial_decay，学习率按下式多项式降低：
参考： LeCun，Yann等. Gradient-based learning applied to document recognition The MNIST database
例子： 我们用MNIST数据训练一个数字识别的卷积神经网络。数据已经从MNIST数据库中下载，并且在Turi’s public S3 bucket中保存为SFrame。
>>> data = graphlab.SFrame('https://static.turi.com/datasets/mnist/sframe/train') >>> test_data = graphlab.SFrame('https://static.turi.com/datasets/mnist/sframe/test') >>> training_data, validation_data = data.random_split(0.8)将所有的图片剪裁成相同尺寸，因为神经网络有固定的输入尺寸。
>>> training_data['image'] = graphlab.image_analysis.resize(training_data['image'], 28, 28, 1, decode=True) >>> validation_data['image'] = graphlab.image_analysis.resize(validation_data['image'], 28, 28, 1, decode=True) >>> test_data['image'] = graphlab.image_analysis.resize(test_data['image'], 28, 28, 1, decode=True)使用MNIST内置的神经网络构架（一个一层的卷积神经网络）：
>>> net = graphlab.deeplearning.get_builtin_neuralnet('mnist')神经网络的层：
>>> net.layers layer[0]: ConvolutionLayer padding = 1 stride = 2 random_type = xavier num_channels = 32 kernel_size = 3 layer[1]: MaxPoolingLayer stride = 2 kernel_size = 3 layer[2]: FlattenLayer layer[3]: DropoutLayer threshold = 0.5 layer[4]: FullConnectionLayer init_sigma = 0.01 num_hidden_units = 100 layer[5]: SigmoidLayer layer[6]: FullConnectionLayer init_sigma = 0.01 num_hidden_units = 10 layer[7]: SoftmaxLayer神经网络的参数：
>>> net.params {'batch_size': 100, 'data_shape': '1,28,28', 'divideby': 255, 'init_random': 'gaussian', 'l2_regularization': 0.0, 'learning_rate': 0.1, 'momentum': 0.9}使用特定的网络训练一个NeuralNetClassifier（神经网络分类器）
>>> m = graphlab.neuralnet_classifier.create(training_data, target='label', network = net, validation_set=validation_data, metric=['accuracy', 'recall@2'], max_iterations=3)分类测试数据，输出最可能的类标签。‘probablity’对应输入属于此类的可能性：
>>> pred = m.classify(test_data) >>> pred +--------+-------+----------------+ | row_id | class | probability | +--------+-------+----------------+ | 0 | 0 | 0.998417854309 | | 1 | 0 | 0.999230742455 | | 2 | 0 | 0.999326109886 | | 3 | 0 | 0.997855246067 | | 4 | 0 | 0.997171103954 | | 5 | 0 | 0.996235311031 | | 6 | 0 | 0.999143242836 | | 7 | 0 | 0.999519705772 | | 8 | 0 | 0.999182283878 | | 9 | 0 | 0.999905228615 | | ... | ... | ... | +--------+-------+----------------+ [10000 rows x 3 columns]输出两个最可能的数字：
>>> pred_top2 = m.predict_topk(test_data, k=2) >>> pred_top2 +--------+-------+-------------------+ | row_id | class | probability | +--------+-------+-------------------+ | 0 | 0 | 0.998417854309 | | 0 | 6 | 0.000686840794515 | | 1 | 0 | 0.999230742455 | | 1 | 2 | 0.000284609268419 | | 2 | 0 | 0.999326109886 | | 2 | 8 | 0.000261707202299 | | 3 | 0 | 0.997855246067 | | 3 | 8 | 0.00118813838344 | | 4 | 0 | 0.997171103954 | | 4 | 6 | 0.00115600414574 | | ... | ... | ... | +--------+-------+-------------------+ [20000 rows x 3 columns]在测试数据上评估分类器，默认指标是accuracy（精确度）和confusion_matrix（混淆矩阵）。
>>> eval_ = m.evaluate(test_data) >>> eval_ {'accuracy': 0.979200005531311, 'confusion_matrix': +--------------+-----------------+-------+ | target_label | predicted_label | count | +--------------+-----------------+-------+ | 0 | 0 | 969 | | 2 | 0 | 2 | | 5 | 0 | 2 | | 6 | 0 | 9 | | 7 | 0 | 1 | | 9 | 0 | 2 | | 1 | 1 | 1126 | | 2 | 1 | 2 | | 6 | 1 | 2 | | 7 | 1 | 3 | | ... | ... | ... | +--------------+-----------------+-------+ [64 rows x 3 columns]} Next Previous英文原文见链接(新手上路，可能存在不少错误，还请各位大神不吝赐教)
https://turi.com/products/create/docs/generated/graphlab.neuralnet_classifier.create.html#graphlab.neuralnet_classifier.create
