Exponenta Banner

trainoss

Секущая обратная связь с одним шагом

свернуть все на странице

Синтаксис

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

Описание

trainoss сетевая учебная функция, которая обновляет вес и значения смещения согласно методу секущей с одним шагом.

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

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

Обучение происходит согласно trainoss учебные параметры, показанные здесь с их значениями по умолчанию:

net.trainParam.epochs1000

Максимальное количество эпох, чтобы обучаться

net.trainParam.goal0

Цель эффективности

net.trainParam.max_fail6

Максимальные отказы валидации

net.trainParam.min_grad1e-10

Минимальный градиент эффективности

net.trainParam.searchFcn'srchbac'

Имя линии ищет стандартную программу, чтобы использовать

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

Параметры связаны с методами поиска линии (не все используемые для всех методов):

net.trainParam.scal_tol20

Разделитесь на delta определить допуск к линейному поиску.

net.trainParam.alpha0.001

Масштабный коэффициент, который определяет достаточное сокращение perf

net.trainParam.beta0.1

Масштабный коэффициент, который определяет достаточно большой размер шага

net.trainParam.delta0.01

Начальный размер шага на шаге местоположения интервала

net.trainParam.gama0.1

Параметр, чтобы избежать маленьких сокращений эффективности, обычно устанавливайте на 0.1 (см. srch_cha)

net.trainParam.low_lim0.1

Нижний предел на изменении в размере шага

net.trainParam.up_lim0.5

Верхний предел изменения в размере шага

net.trainParam.maxstep100

Максимальная длина шага

net.trainParam.minstep1.0e-6

Минимальная длина шага

net.trainParam.bmax26

Максимальный размер шага

Сетевое использование

Можно создать стандартную сеть, которая использует trainoss с feedforwardnet или cascadeforwardnet. Подготовить пользовательскую сеть, которая будет обучена с trainoss:

  1. Установите net.trainFcn к 'trainoss'. Это устанавливает net.trainParam к trainossпараметры по умолчанию.

  2. Установите net.trainParam свойства к требуемым значениям.

В любом случае, вызывая train с получившейся сетью обучает сеть с trainoss.

Примеры

свернуть все

Скрипт Open Live Script

В этом примере показано, как обучить нейронную сеть с помощью trainoss обучите функцию.

Здесь нейронная сеть обучена, чтобы предсказать содержания жира в организме.

[x, t] = bodyfat_dataset;
net = feedforwardnet(10, 'trainoss');
net = train(net, x, t);
y = net(x);

Больше о

свернуть все

Один метод секущей шага

Поскольку алгоритм BFGS требует большего количества устройства хранения данных и расчета в каждой итерации, чем алгоритмы метода сопряженных градиентов, существует потребность в секущем приближении с устройством хранения данных меньшего размера и требованиями расчета. Метод один секанса шага (OSS) является попыткой устранить разрыв между алгоритмами метода сопряженных градиентов и квазиньютоном (секанс) алгоритмы. Этот алгоритм не хранит полную матрицу Гессиана; это принимает в каждой итерации, предыдущий Гессиан был единичной матрицей. Это имеет дополнительное преимущество, что новое поисковое направление может быть вычислено, не вычисляя обратную матрицу.

Один метод секущей шага описан в [Batt92]. Этот алгоритм требует меньшего количества устройства хранения данных и расчета в эпоху, чем алгоритм BFGS. Требуется немного больше устройства хранения данных и расчета в эпоху, чем алгоритмы метода сопряженных градиентов. Это может быть рассмотрено компромиссом между полными алгоритмами квазиньютона и алгоритмами метода сопряженных градиентов.

Алгоритмы

trainoss может обучить любую сеть пока ее вес, сетевой вход, и передаточные функции имеют производные функции.

Обратная связь используется, чтобы вычислить производные эффективности perf относительно веса и переменных X смещения. Каждая переменная настроена согласно следующему:

X = X + a*dX;

где dX поисковое направление. Параметр a выбран, чтобы минимизировать эффективность вдоль поискового направления. Поиск линии функционирует searchFcn используется, чтобы определить местоположение минимальной точки. Первое поисковое направление является отрицанием градиента эффективности. В последующих итерациях поисковое направление вычисляется из нового градиента и предыдущих шагов и градиентов, согласно следующей формуле:

dX = -gX + Ac*X_step + Bc*dgX;

где gX градиент, X_step изменение в весах на предыдущей итерации и dgX изменение в градиенте от последней итерации. См. Battiti (Нейронный Расчет, Издание 4, 1992, стр 141–166) для более детального обсуждения секущего алгоритма с одним шагом.

Обучение останавливается, когда любое из этих условий происходит:

  • Максимальное количество epochs (повторения) достигнуты.

  • Максимальная сумма time превышен.

  • Эффективность минимизирована к goal.

  • Градиент эффективности падает ниже min_grad.

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

Ссылки

Battiti, R., “Методы Первого и второго порядка для изучения: Между наискорейшим спуском и методом Ньютона”, Нейронный Расчет, Издание 4, № 2, 1992, стр 141–166

Смотрите также

| | | | | | | | |

Представлено до R2006a

Документация Deep Learning Toolbox

Поддержка