Инкрементное обучение по случайному заказу с функциями обучения
net.trainFcn = 'trainr'
[net,tr] = train(net,...)
trainr не вызывается напрямую. Вместо этого он вызывается train для сетей, чьи net.trainFcn свойство имеет значение 'trainr', таким образом:
net.trainFcn = 'trainr' устанавливает сеть trainFcn собственность.
[net,tr] = train(net,...) обучает сеть с помощью trainr.
trainr обучает сеть правилам обучения весу и смещению с инкрементными обновлениями после каждого представления входных данных. Входные данные представлены в случайном порядке.
Обучение происходит в соответствии с trainr 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 trainr путем вызова competlayer или selforgmap. Подготовка пользовательской сети для обучения trainr,
Набор net.trainFcn кому 'trainr'. Эти наборы net.trainParam кому trainrПараметры 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 help competlayer и help selforgmap для учебных примеров.
Для каждой эпохи все обучающие векторы (или последовательности) представлены один раз в различном случайном порядке, причем сеть и значения веса и смещения соответствующим образом обновляются 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.