trainru

Безнадзорное обучение веса/смещения произвольного порядка

Синтаксис

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

Описание

trainru не называется непосредственно. Вместо этого это вызвано train для сетей, чей net.trainFcn свойство установлено в 'trainru', таким образом:

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

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

trainru обучает сеть с весом и правила изучения смещения с инкрементными обновлениями после каждого представления входа. Входные параметры представлены в произвольном порядке.

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

net.trainParam.epochs

1000

Максимальное количество эпох, чтобы обучаться

net.trainParam.show

25

Эпохи между отображениями (NaN ни для каких отображений)

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

Сетевое использование

Подготовить пользовательскую сеть, которая будет обучена с trainru,

  1. Установите net.trainFcn к 'trainru'. Это устанавливает net.trainParam к trainruпараметры 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.

Алгоритмы

В течение каждой эпохи все учебные векторы (или последовательности) каждый представлены однажды в различном произвольном порядке, с сетью и весом и смещают значения, обновленные соответственно после каждого отдельного представления.

Обучение останавливается, когда любое из этих условий соблюдают:

  • Максимальное количество epochs (повторения) достигнуты.

  • Максимальная сумма time превышен.

Смотрите также

|

Представленный в R2010b
Для просмотра документации необходимо авторизоваться на сайте