Pylearn2をインストールして、チュートリアルを動かした後、独自のデータを使って予測モデルを作る方法です。

Pylearn2はデータの形がちょっと独特なので、CSVファイルから読み込むのが良いかと思います。こんなファイルを用意します。

クラス	変数0	変数1	変数2	…
1	1.2	0.5	8.2	…
5	5.2	10.5	4.5	…
...

ヘッダありで、各行がサンプルを表し、最初の1列目がそのサンプルの属するクラス（0から順番に数字で識別）。このCSVを次のようなコードで読み込んで、Pylearn2のデータ形式にしてから、pklに保存します。

from pylearn2.datasets.csv_dataset import CSVDataset
import pickle
pyln_data = CSVDataset('file name',delimiter='\t',one_hot=True)
pickle.dump(pyln_data, open('pkl file name','w'))

one_hotが重要です。これで、0から10までの整数で表現されたクラスが、ニューラルネットワーク用に10個のノードで表現されます。
サンプルを参考に次のようなyamlファイルを用意します。

!obj:pylearn2.train.Train {
    dataset: &train !pkl: "train.pkl",

    model: !obj:pylearn2.models.autoencoder.DenoisingAutoencoder {
        nvis : 300,
        nhid : 150,
        irange : 0.05,
        corruptor: !obj:pylearn2.corruption.BinomialCorruptor {
            corruption_level: .2,
        },
        act_enc: "tanh",
        act_dec: null,    # Linear activation on the decoder side.
    },
    algorithm: !obj:pylearn2.training_algorithms.sgd.SGD {
        learning_rate : 1e-2,
        batch_size : 50,
        monitoring_batches : 5,
        monitoring_dataset : *train,
        cost : !obj:pylearn2.costs.autoencoder.MeanSquaredReconstructionError {},
        termination_criterion : !obj:pylearn2.termination_criteria.EpochCounter {
            max_epochs: 10
        },
    },
    save_path: "DAE_l1.pkl",
    save_freq: 1
}

!obj:pylearn2.train.Train {
    dataset: &train !obj:pylearn2.datasets.transformer_dataset.TransformerDataset {
        raw: !pkl: "train.pkl",
        transformer: !pkl: "DAE_l1.pkl"
    },
    model: !obj:pylearn2.models.autoencoder.DenoisingAutoencoder {
        nvis : 150,
        nhid : 100,
        irange : 0.05,
        corruptor: !obj:pylearn2.corruption.BinomialCorruptor {
            corruption_level: .3,
        },
        act_enc: "tanh",
        act_dec: null,    # Linear activation on the decoder side.
    },
    algorithm: !obj:pylearn2.training_algorithms.sgd.SGD {
        learning_rate : 1e-2,
        batch_size : 50,
        monitoring_batches : 5,
        monitoring_dataset : *train,
        cost : !obj:pylearn2.costs.autoencoder.MeanSquaredReconstructionError {},
        termination_criterion : !obj:pylearn2.termination_criteria.EpochCounter {
            max_epochs: 10,
        },
    },
    save_path: "DAE_l2.pkl",
    save_freq: 1
}

!obj:pylearn2.train.Train {
    dataset: &train !pkl: "train.pkl",

    model: !obj:pylearn2.models.mlp.MLP {
    batch_size: 17,
        layers: [
                 !obj:pylearn2.models.mlp.PretrainedLayer {
                     layer_name: 'h1',
                     layer_content: !pkl: "DAE_l1.pkl"
                 },
                 !obj:pylearn2.models.mlp.PretrainedLayer {
                     layer_name: 'h2',
                     layer_content: !pkl: "DAE_l2.pkl"
                 },
                 !obj:pylearn2.models.mlp.Softmax {
                     max_col_norm: 1.9365,
                     layer_name: 'y',
                     n_classes: 12,
                     irange: .005
                 }
                ],
        nvis: 300
    },
    algorithm: !obj:pylearn2.training_algorithms.sgd.SGD {
        learning_rate: .05,
        learning_rule: !obj:pylearn2.training_algorithms.learning_rule.Momentum {
            init_momentum: .5,
        },
        monitoring_dataset:
            {
                'valid' : *train,
            },
        cost: !obj:pylearn2.costs.mlp.Default {},
        termination_criterion: !obj:pylearn2.termination_criteria.And {
            criteria: [
                !obj:pylearn2.termination_criteria.MonitorBased {
                    channel_name: "valid_y_misclass",
                    prop_decrease: 0.,
                    N: 100
                },
                !obj:pylearn2.termination_criteria.EpochCounter {
                    max_epochs: 10
                }
            ]
        },
        update_callbacks: !obj:pylearn2.training_algorithms.sgd.ExponentialDecay {
            decay_factor: 1.00004,
            min_lr: .000001
        }
    },
    extensions: [
        !obj:pylearn2.training_algorithms.learning_rule.MomentumAdjustor {
            start: 1,
            saturate: 250,
            final_momentum: .7
        }
    ],
    save_path: "mlp.pkl",
    save_freq: 1
}

最初の2つは、2階層分の設定ファイル。最後のは、それらを統合してfine tuningするための設定ファイルです。このファイルでは、batchサイズがサンプル数の約数になっていないと怒られるので、Wolframに因数分解してもらいましょう。nvis、nhidは可視層と隠れ層のノード数なので適宜調整します。
階層を増やしたいときは、レイヤーごとの設定ファイルの冒頭を次のように変更します。

    dataset: &train !obj:pylearn2.datasets.transformer_dataset.TransformerDataset {
      raw: !pkl: "train.pkl",
      transformer: !obj:pylearn2.blocks.StackedBlocks {
      layers: [!pkl: "DAE_l1.pkl", !pkl: "DAE_l2.pkl"]
      }
    },

モデルのトレーニングとテストデータの予測は、次のような関数を書くと便利かも。

from pylearn2.config import yaml_parse
import os
def train_step(config_file):
    assert(os.path.exists(config_file))
    _yaml = open(config_file).read()
    _train = yaml_parse.load(_yaml)
    _train.main_loop()
    return _train

l1_train = train_step('DAE_l1.yaml')
l2_train = train_step('DAE_l2.yaml')
_train = train_step('mlp.yaml')

import theano
# function for classifying a input vector
def classify(inp,model,input_size):
    inp = np.asarray(inp)
    inp.shape = (1, input_size)
    return np.argmax(model.fprop(theano.shared(inp, name='inputs')).eval())
 
# function for calculating and printing the models accuracy on a given dataset
def score(dataset,model,input_size):
    nr_correct = 0
    for features, label in zip(dataset.X,dataset.y):
        if classify(features,model,input_size) == np.argmax(label):
            nr_correct += 1
    print '{}/{} correct'.format(nr_correct, len(dataset.X))
    return nr_correct, len(dataset.X)

test_data = pickle.load(open('test.pkl'))
score(test_data, _train.model, 300)

これで、作ったモデルを使って、テストデータを予測するところまではできます。

参考にしたサイト
Pylearn2 in practice
Neural Networks using Pylearn2 – termination criteria, momentum and learning rate adjustment