trainc

Циклическое обучение веса/смещения порядка

Синтаксис

net.trainFcn = 'trainc'
[net,tr] = train(net,...)

Описание

trainc не называется непосредственно. Вместо этого это вызвано train для сетей, свойство net.trainFcn которых установлено в 'trainc', таким образом:

net.trainFcn = 'trainc' устанавливает свойство сети trainFcn.

[net,tr] = train(net,...) обучает сеть с trainc.

trainc обучает сеть с весом и правила изучения смещения с инкрементными обновлениями после каждого представления входа. Входные параметры представлены в циклическом порядке.

Обучение происходит согласно параметрам обучения trainc, показанным здесь с их значениями по умолчанию:

net.trainParam.epochs1000

Максимальное количество эпох, чтобы обучаться

net.trainParam.goal0

Цель производительности

net.trainParam.max_fail6

Максимальные отказы валидации

net.trainParam.show25

Эпохи между отображениями (NaN ни для каких отображений)

net.trainParam.showCommandLinefalse

Сгенерируйте командную строку вывод

net.trainParam.showWindowtrue

Покажите учебный графический интерфейс пользователя

net.trainParam.timeinf

Максимальное время, чтобы обучаться в секундах

Сетевое использование

Можно создать стандартную сеть, которая использует trainc путем вызова competlayer. Подготовить пользовательскую сеть, которая будет обучена с trainc,

  1. Установите net.trainFcn на 'trainc'. Это устанавливает net.trainParam на параметры trainc по умолчанию.

  2. Установите каждый net.inputWeights{i,j}.learnFcn на функцию изучения. Установите каждый net.layerWeights{i,j}.learnFcn на функцию изучения. Установите каждый net.biases{i}.learnFcn на функцию изучения. (Вес и параметры изучения смещения автоматически установлены в значения по умолчанию для данного изучения функции.)

Обучать сеть,

  1. Установите свойства net.trainParam на требуемые значения.

  2. Установите вес и параметры изучения смещения к требуемым значениям.

  3. Вызовите train.

Смотрите perceptron для учебных примеров.

Алгоритмы

В течение каждой эпохи каждый вектор (или последовательность) представлен по порядку сети с весом и значениями смещения, обновленными соответственно после каждого отдельного представления.

Обучение останавливается, когда любое из этих условий соблюдают:

  • Максимальное количество epochs (повторения) достигнуто.

  • Производительность минимизирована к goal.

  • Максимальная сумма time превышена.

Смотрите также

|

Представлено до R2006a

Для просмотра документации необходимо авторизоваться на сайте