Циклическое обучение веса/смещения порядка
net.trainFcn = 'trainc'
[net,tr] = train(net,...)
trainc не называется непосредственно. Вместо этого это вызвано train для сетей, чей net.trainFcn свойство установлено в 'trainc', таким образом:
net.trainFcn = 'trainc' устанавливает сеть trainFcn свойство.
[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 trainc учебные параметры, показанные здесь с их значениями по умолчанию:
net.trainParam.epochs | 1000 | Максимальное количество эпох, чтобы обучаться |
net.trainParam.goal | 0 | Цель эффективности |
net.trainParam.max_fail | 6 | Максимальные отказы валидации |
net.trainParam.show | 25 | Эпохи между отображениями ( |
net.trainParam.showCommandLine | false | Сгенерируйте командную строку выход |
net.trainParam.showWindow | true | Покажите учебный графический интерфейс пользователя |
net.trainParam.time | inf | Максимальное время, чтобы обучаться в секундах |
Можно создать стандартную сеть, которая использует trainc путем вызова competlayer. Подготовить пользовательскую сеть, которая будет обучена с trainc,
Установите net.trainFcn к 'trainc'. Это устанавливает net.trainParam к traincпараметры по умолчанию.
Установите каждый net.inputWeights{i,j}.learnFcn к функции изучения. Установите каждый net.layerWeights{i,j}.learnFcn к функции изучения. 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,
Установите net.trainParam свойства к требуемым значениям.
Установите вес и параметры изучения смещения к требуемым значениям.
Вызовите train.
Смотрите perceptron для учебных примеров.
В течение каждой эпохи каждый вектор (или последовательность) представлен для того, чтобы сети с весом и значениями смещения, обновленными соответственно после каждого отдельного представления.
Обучение останавливается, когда любое из этих условий соблюдают:
Максимальное количество epochs (повторения) достигнуты.
Эффективность минимизирована к goal.
Максимальная сумма time превышен.