Функция, соответствующая нейронной сети
net = fitnet(hiddenSizes)net = fitnet(hiddenSizes,trainFcn)net = fitnet(hiddenSizes)hiddenSizes.
net = fitnet(hiddenSizes,trainFcn)hiddenSizes и учебной функции, заданной trainFcn.
Загрузите данные тренировки.
[x,t] = simplefit_dataset;
1 94 матричный x содержит входные значения, и 1 94 матричный t содержит связанные целевые выходные значения.
Создайте функцию, соответствующую нейронной сети одним скрытым слоем размера 10.
net = fitnet(10);
Просмотрите сеть.
view(net)
Размеры ввода и вывода являются нулем. Программное обеспечение настраивает размеры их во время обучения согласно данным тренировки.
Обучите сеть net с помощью данных тренировки.
net = train(net,x,t);
Просмотрите обучивший сеть.
view(net)
Вы видите, что размеры ввода и вывода равняются 1.
Оцените цели с помощью обучившего сеть.
y = net(x);
Оцените производительность обучившего сеть. Функция производительности по умолчанию является среднеквадратической ошибкой.
perf = perform(net,y,t)
perf = 1.4639e-04
Учебный алгоритм по умолчанию для функции подходящая сеть является Levenberg-Marquardt ('trainlm'). Используйте Байесов алгоритм обучения регуляризации и сравните результаты производительности.
net = fitnet(10,'trainbr');
net = train(net,x,t);
y = net(x);
perf = perform(net,y,t)
perf = 3.3310e-10
Байесов алгоритм обучения регуляризации улучшает производительность сети с точки зрения оценки целевых значений.
Функциональный подбор кривой является процессом обучения нейронной сети на наборе входных параметров в порядке произвести связанный набор целевых выходных параметров. После того, как вы создадите сеть с желаемыми скрытыми слоями и учебным алгоритмом, необходимо обучить его с помощью набора данных тренировки. Если нейронная сеть имеет подгонку данные, это формирует обобщение отношения ввода - вывода. Можно затем использовать обучивший сеть, чтобы сгенерировать выходные параметры для входных параметров, на которых это не было обучено.