Deeplearning4j与R结果不同

我相信deeplearning4j和R完全相同的参数应该执行相同的可比较的MSE。但我不确定如何实现这一点。Deeplearning4j与R结果不同

我有一个csv文件，格式如下，其中包含46变量和2输出。完全有1,0000样本。所有数据都进行了归一化处理，模型用于回归分析。

S1 | S2 | ... | S46 | X | Y

在R，我使用neuralnet包，以及将码是：

rn <- colnames(traindata) 
f <- as.formula(paste("X + Y ~", paste(rn[1:(length(rn)-2)], collapse="+"))) 
nn <- neuralnet(f, 
       rep=1, 
       data=traindata, 
       hidden=c(10), 
       linear.output=T, 
       threshold = 0.5)

这是相当简单的。

由于我想将算法整合到Java项目中，所以我认为dl4j来训练模型。火车组与R代码完全一样。测试集是随机选择的。的dl4j代码是：

MultiLayerConfiguration conf = new NeuralNetConfiguration.Builder() 
      .seed(rngSeed) //include a random seed for reproducibility 
      // use stochastic gradient descent as an optimization algorithm 
      .optimizationAlgo(OptimizationAlgorithm.STOCHASTIC_GRADIENT_DESCENT) 
      .iterations(100) 
      .learningRate(0.0001) //specify the learning rate 
      .updater(Updater.NESTEROVS).momentum(0.9) //specify the rate of change of the learning rate. 
      .regularization(true).l2(0.0001) 
      .list() 
      .layer(0, new DenseLayer.Builder() //create the first, input layer with xavier initialization 
        .nIn(46) 
        .nOut(10) 
        .activation(Activation.TANH) 
        .weightInit(WeightInit.XAVIER) 
        .build()) 
      .layer(1, new OutputLayer.Builder(LossFunctions.LossFunction.MSE) //create hidden layer 
        .nIn(10) 
        .nOut(outputNum) 
        .activation(Activation.IDENTITY) 
        .build()) 
      .pretrain(false).backprop(true) //use backpropagation to adjust weights 
      .build();

时期的数量是10和batchsize是128

使用测试组，R的性能是