Документация

Выберите Neural Network Input-Output Processing Functions

Эта тема представляет часть типичного многоуровневого сетевого рабочего процесса. Для получения дополнительной информации и другие шаги, смотрите Многоуровневые Мелкие Нейронные сети и Обучение Обратной связи.

Обучение нейронной сети может быть более эффективным, если вы выполняете определенные шаги предварительной обработки на сетевых входных параметрах и целях. В этом разделе описываются несколько стандартных программ предварительной обработки, которые можно использовать. (Наиболее распространенные из них обеспечиваются автоматически, когда вы создаете сеть, и они становятся частью сетевого объекта, так, чтобы каждый раз, когда сеть используется, данные, входя в сеть были предварительно обработаны таким же образом.)

Например, в многоуровневых сетях, сигмоидальные передаточные функции обычно используются в скрытых слоях. Эти функции становятся по существу насыщаемыми, когда сетевой вход больше, чем три (exp (−3) ≅ 0.05). Если это произойдет в начале учебного процесса, градиенты будут очень маленькими, и сетевое обучение будет очень медленным. В первом слое сети сетевой вход является продуктом входных времен вес плюс смещение. Если вход является очень большим, то вес должен быть очень маленьким в порядке препятствовать тому, чтобы передаточная функция стала насыщаемой. Это - общепринятая практика, чтобы нормировать входные параметры прежде, чем применить их к сети.

Обычно шаг нормализации применяется и к входным векторам и к целевым векторам в наборе данных. Таким образом сетевой вывод всегда попадает в нормированную область значений. Сетевой вывод может затем быть противоположной преобразованной спиной в модули исходных целевых данных, когда сеть помещается, чтобы использовать в поле.

Является самым легким думать о нейронной сети как о наличии блока предварительной обработки, который появляется между входом и первым слоем сети и блока постобработки, который появляется между последним слоем сети и выводом, как показано в следующей фигуре.

Большинство сетевых функций создания в тулбоксе, включая многоуровневые сетевые функции создания, такие как feedforwardnet, автоматически присваивает функции обработки вашим сетевым вводам и выводам. Эти функции преобразовывают вход и целевые значения, которые вы обеспечиваете в значения, которые лучше подходят для сетевого обучения.

Можно заменить функции обработки ввода и вывода по умолчанию путем корректировки сетевых свойств после того, как вы создадите сеть.

Чтобы видеть список массивов ячеек обработки функций, присвоенных входу сети, получите доступ к этому свойству:

net.inputs{1}.processFcns

где индекс 1 относится к первому входному вектору. (Существует только один входной вектор для feedforward сети.), Чтобы просмотреть функции обработки, возвращенные выводом сети 2D слоя, получите доступ к этому сетевому свойству:

net.outputs{2}.processFcns

где индекс 2 относится к выходному вектору, прибывающему из второго слоя. (Для feedforward сети существует только один выходной вектор, и это прибывает из последнего слоя.) Можно использовать эти свойства изменить функции обработки, что вы хотите, чтобы ваша сеть применилась к вводам и выводам. Однако значения по умолчанию обычно обеспечивают превосходную производительность.

Несколько функций обработки имеют параметры, которые настраивают их операцию. Можно получить доступ или изменить параметры i ^th входная функция обработки для сетевого входа можно следующим образом:

net.inputs{1}.processParams{i}

Можно получить доступ или изменить параметры i ^th выходная функция обработки для сетевого вывода, сопоставленного со вторым слоем, можно следующим образом:

net.outputs{2}.processParams{i}

Для многоуровневых сетевых функций создания, таких как feedforwardnet, входными функциями обработки по умолчанию является removeconstantrows и mapminmax. Для выходных параметров функциями обработки значения по умолчанию является также removeconstantrows и mapminmax.

В следующей таблице перечислены наиболее распространенную предварительную обработку и постобработку функций. В большинстве случаев вы не должны будете использовать их непосредственно, поскольку шаги предварительной обработки становятся частью сетевого объекта. Когда вы моделируете или обучите сеть, предварительная обработка и постобработка будут сделаны автоматически.