Циклическая тренировка по весу/смещению заказа
net.trainFcn = 'trainc'
[net,tr] = train(net,...)
trainc не вызывается напрямую. Вместо этого он вызывается train для сетей, чьи net.trainFcn свойство имеет значение 'trainc', таким образом:
net.trainFcn = 'trainc' устанавливает сеть trainFcn собственность.
[net,tr] = train(net,...) обучает сеть с помощью trainc.
trainc обучает сеть правилам обучения весу и смещению с инкрементными обновлениями после каждого представления входных данных. Входные данные представлены в циклическом порядке.
Обучение происходит в соответствии с trainc параметры обучения, показанные здесь с их значениями по умолчанию:
net.trainParam.epochs | 1000 | Максимальное количество периодов для обучения |
net.trainParam.goal | 0 | Цель производительности |
net.trainParam.max_fail | 6 | Максимальное количество сбоев проверки |
net.trainParam.show | 25 | Периоды между дисплеями ( |
net.trainParam.showCommandLine | false | Создание выходных данных командной строки |
net.trainParam.showWindow | true | Показать графический интерфейс пользователя для обучения |
net.trainParam.time | inf | Максимальное время обучения в секундах |
Можно создать стандартную сеть, использующую trainc путем вызова competlayer. Подготовка пользовательской сети для обучения trainc,
Набор net.trainFcn кому 'trainc'. Эти наборы net.trainParam кому traincПараметры по умолчанию.
Установить каждый net.inputWeights{i,j}.learnFcn к обучающей функции. Установить каждый net.layerWeights{i,j}.learnFcn к обучающей функции. Установить каждый net.biases{i}.learnFcn к обучающей функции. (Параметры обучения по весу и смещению автоматически устанавливаются в значения по умолчанию для данной функции обучения.)
Для обучения сети,
Набор net.trainParam свойств к требуемым значениям.
Установите для параметров обучения весу и смещению требуемые значения.
Звонить train.
Посмотрите perceptron для учебных примеров.
Для каждой эпохи каждый вектор (или последовательность) представляется для сети с соответствующим обновлением значений веса и смещения после каждого отдельного представления.
Обучение прекращается при выполнении любого из следующих условий:
Максимальное количество epochs (повторы) достигается.
Производительность минимизирована для goal.
Максимальная сумма time превышено.