trainbu

Обработайте безнадзорное обучение веса/смещения в пакетном режиме

Синтаксис

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

Описание

trainbu обучает сеть с весом и правила изучения смещения с пакетными обновлениями. Веса и обновления смещений происходят в конце целой передачи через входные данные.

trainbu не называется непосредственно. Вместо этого train вызовы функции это для сетей, чей NET.trainFcn свойство установлено в 'trainbu', таким образом:

net.trainFcn = 'trainbu' устанавливает сеть trainFcn свойство.

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

Обучение происходит согласно trainbu учебные параметры, показанные здесь со следующими значениями по умолчанию:

net.trainParam.epochs1000

Максимальное количество эпох, чтобы обучаться

net.trainParam.show25

Эпохи между отображениями (NaN ни для каких отображений)

net.trainParam.showCommandLinefalse

Сгенерируйте командную строку выход

net.trainParam.showWindowtrue

Покажите учебный графический интерфейс пользователя

net.trainParam.timeinf

Максимальное время, чтобы обучаться в секундах

Валидация и тестовые векторы не оказывают влияния на обучение этой функции, но действие как независимые меры сетевого обобщения.

Сетевое использование

Можно создать стандартную сеть, которая использует trainbu путем вызова selforgmap. Подготовить пользовательскую сеть, которая будет обучена с trainbu:

  1. Установите NET.trainFcn к 'trainbu'. (Эта опция устанавливает NET.trainParam к trainbu параметры по умолчанию.)

  2. Установите каждый NET.inputWeights{i,j}.learnFcn к функции изучения.

  3. Установите каждый NET.layerWeights{i,j}.learnFcn к функции изучения.

  4. Установите каждый NET.biases{i}.learnFcn к функции изучения. (Вес и параметры изучения смещения автоматически установлены в значения по умолчанию для данного изучения функции.)

Обучать сеть:

  1. Установите NET.trainParam свойства к требуемым значениям.

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

  3. Вызовите train.

Смотрите selforgmap для учебных примеров.

Алгоритмы

Каждый вес и смещение обновляются согласно его изучению функции после каждой эпохи (одна передача через целый набор входных векторов).

Обучение останавливается, когда любое из этих условий соблюдают:

  • Максимальное количество epochs (повторения) достигнуты.

  • Эффективность минимизирована к goal.

  • Максимальная сумма time превышен.

  • Эффективность валидации увеличила больше, чем max_fail времена с прошлого раза это уменьшилось (при использовании валидации).

Смотрите также

|

Представленный в R2010b
Для просмотра документации необходимо авторизоваться на сайте