Exponenta Banner

Обучение линейный нейрон

Скрипт Open Live Script

Линейный нейрон обучен ответить на определенные входные параметры с целевыми выходными параметрами.

X задает два входных набора с 1 элементом (вектор-столбцы). T задает сопоставленные цели с 1 элементом (вектор-столбцы). Один вход линейный нейрон со смещением y может использоваться, чтобы решить эту задачу.

X = [1.0 -1.2];
T = [0.5 1.0];

ERRSURF вычисляет ошибки для y нейрона с y областью значений возможного веса и значений смещения. PLOTES строит эту ошибочную поверхность с y контурным графиком внизу. Лучший вес и значения смещения - те, которые приводят к самой низкой точке на ошибочной поверхности.

w_range = -1:0.2:1;  b_range = -1:0.2:1;
ES = errsurf(X,T,w_range,b_range,'purelin');
plotes(w_range,b_range,ES);

MAXLINLR находит самую быструю устойчивую скорость обучения для обучения y линейной сетью. В данном примере этот уровень только составит 40% этого максимума. NEWLIN создает y линейный нейрон. NEWLIN берет эти аргументы: 1) матрица Rx2 min и макс. значений для элементов входа R, 2) Число элементов в выходном векторе, 3) Введите вектор задержки и 4) Скорость обучения.

maxlr = 0.40*maxlinlr(X,'bias');
net = newlin([-2 2],1,[0],maxlr);

Замените учебные параметры по умолчанию путем определения цели производительности.

net.trainParam.goal = .001;

Чтобы показать путь обучения, мы обучим только одну эпоху в y время и вызовем PLOTEP каждая эпоха. График показывает y историю обучения. Каждая точка представляет эпоху, и синие линии показывают каждое изменение, внесенное правилом изучения (Видроу-Хофф по умолчанию).

% [net,tr] = train(net,X,T);
net.trainParam.epochs = 1;
net.trainParam.show = NaN;
h=plotep(net.IW{1},net.b{1},mse(T-net(X)));     
[net,tr] = train(net,X,T);                                                    
r = tr;
epoch = 1;
while true
   epoch = epoch+1;
   [net,tr] = train(net,X,T);
   if length(tr.epoch) > 1
      h = plotep(net.IW{1,1},net.b{1},tr.perf(2),h);
      r.epoch=[r.epoch epoch]; 
      r.perf=[r.perf tr.perf(2)];
      r.vperf=[r.vperf NaN];
      r.tperf=[r.tperf NaN];
   else
      break
   end
end

tr=r;

Обучать функциональные выходные параметры обучившая сеть и y история производительности обучения (TR). Здесь ошибки построены относительно учебных эпох: ошибка понизилась, пока она не упала ниже ошибочной цели (черная линия). При том остановленном обучении точки.

plotperform(tr);

Теперь используйте SIM, чтобы протестировать associator с одними из исходных входных параметров,-1.2, и видеть, возвращает ли это цель, 1.0. Результат очень близко к 1, цель. Это могло быть сделано еще ближе путем понижения цели производительности.

x = -1.2;
y = net(x)
y = 0.9817
Документация Deep Learning Toolbox
Поддержка