exponenta event banner

learnis

Моментальная функция обучения весу

Синтаксис

[dW,LS] = learnis(W,P,Z,N,A,T,E,gW,gA,D,LP,LS)
info = learnis('code')

Описание

learnis - функция мгновенного изучения веса.

[dW,LS] = learnis(W,P,Z,N,A,T,E,gW,gA,D,LP,LS) принимает несколько входов,

W

Sоколо-R весовая матрица (или Sоколо-1 вектор смещения)

P

Rоколо-Q входные векторы (или ones(1,Q))

Z

Sоколо-Q взвешенные входные векторы

N

Sоколо-Q чистые входные векторы

A

Sоколо-Q выходные векторы

T

Sоколо-Q целевые векторы слоев

E

Sоколо-Q векторы ошибок слоев

gW

Sоколо-R градиент в отношении производительности

gA

Sоколо-Q выходной градиент по производительности

D

Sоколо-S расстояния нейронов

LP

Параметры обучения, нет, LP = []

LS

Состояние обучения, первоначально должно быть = []

и возвращает

dW

Sоколо-R матрица изменения веса (или смещения)

LS

Новое состояние обучения

Обучение происходит в соответствии с learnisПараметр learning, показанный здесь со значением по умолчанию.

LP.lr - 0.01

Уровень обучения

info = learnis('code') возвращает полезную информацию для каждого code символьный вектор:

'pnames'

Названия параметров обучения

'pdefaults'

Параметры обучения по умолчанию

'needg'

Возвращает 1, если эта функция используется gW или gA

Примеры

Здесь определяется случайный ввод P, вывод Aи весовая матрица W для слоя с двухэлементным входом и тремя нейронами. Также определите уровень обучения LR.

p = rand(2,1);
a = rand(3,1);
w = rand(3,2);
lp.lr = 0.5;

Поскольку learnis только эти значения необходимы для вычисления изменения веса (см. «Алгоритм» ниже), используйте их для этого.

dW = learnis(w,p,[],[],a,[],[],[],[],[],lp,[])

Использование в сети

Подготовка весов и смещения слоя i пользовательской сети, чтобы она могла учиться с помощью learnis,

  1. Набор net.trainFcn кому 'trainr'. (net.trainParam автоматически становится trainrПараметры по умолчанию.)

  2. Набор net.adaptFcn кому 'trains'. (net.adaptParam автоматически становится trainsПараметры по умолчанию.)

  3. Установить каждый net.inputWeights{i,j}.learnFcn кому 'learnis'.

  4. Установить каждый net.layerWeights{i,j}.learnFcn кому 'learnis'. (Для каждого свойства параметра weight learning автоматически устанавливается значение learnisПараметры по умолчанию.)

Обучение сети (или возможность ее адаптации),

  1. Набор net.trainParam (net.adaptParam) свойств к требуемым значениям.

  2. Звонить train (adapt).

Алгоритмы

learnis вычисляет изменение веса dW для данного нейрона из входа нейрона P, вывод Aи скорость обучения LR согласно правилу мгновенного обучения:

dw = lr*a*(p'-w)

Ссылки

Гроссберг, С., Исследования разума и мозга, Дродрехт, Голландия, Рейдель Пресс, 1982

См. также

| | |

Представлен до R2006a