traingdm

Градиентный спуск с обратной связью импульса

свернуть все на странице

Синтаксис

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

Описание

traingdm сетевая учебная функция, которая обновляет вес и значения смещения согласно градиентному спуску с импульсом.

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

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

Обучение происходит согласно traingdm 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.lr`	0.01	Скорость обучения
`net.trainParam.max_fail`	6	Максимальные отказы валидации
`net.trainParam.mc`	0.9	Постоянный импульс
`net.trainParam.min_grad`	`1e-5`	Минимальный градиент эффективности
`net.trainParam.show`	25	Эпохи между показом прогресса
`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

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

Установите net.trainFcn к 'traingdm'. Это устанавливает net.trainParam к traingdmпараметры по умолчанию.
Установите net.trainParam свойства к требуемым значениям.

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

Смотрите help feedforwardnet и help cascadeforwardnet для примеров.

Больше о

свернуть все

Градиентный спуск с импульсом

В дополнение к traingd, существует три других изменения градиентного спуска.

Градиентный спуск с импульсом, реализованным traingdm, позволяет сети не только отвечать на локальный градиент, но также и к недавним трендам на ошибочной поверхности. Действуя как фильтр lowpass, импульс позволяет сети игнорировать маленькие функции на ошибочной поверхности. Без импульса сеть может застрять в мелком локальном минимуме. С импульсом сеть может скользить через такой минимум. Смотрите страницу 12-9 [HDB96] для обсуждения импульса.

Градиентный спуск с импульсом зависит от двух учебных параметров. Параметр lr указывает на скорость обучения, похожую на простой градиентный спуск. Параметр mc импульс, постоянный, который задает объем импульса. mc установлен между 0 (никакой импульс) и значения близко к 1 (большой импульс). Импульс, постоянный из 1 результата в сети, которая абсолютно нечувствительна к локальному градиенту и, поэтому, не учится правильно.

p = [-1 -1 2 2; 0 5 0 5];
t = [-1 -1 1 1];
net = feedforwardnet(3,'traingdm');
net.trainParam.lr = 0.05;
net.trainParam.mc = 0.9;
net = train(net,p,t);
y = net(p)

Попробуйте демонстрацию Проекта Нейронной сети nnd12mo [HDB96] для рисунка эффективности пакетного алгоритма импульса.

Алгоритмы

traingdm 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 градиентному спуску с импульсом,

dX = mc*dXprev + lr*(1-mc)*dperf/dX

где dXprev предыдущее изменение в весе или смещении.

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).

Представлено до R2006a

Документация