trainb

Пакетное обучение с правилами обучения с учетом веса и смещения

Синтаксис

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

Описание

trainb не вызывается напрямую. Вместо этого он вызывается train для сетей, чьи net.trainFcn для свойства задано значение 'trainb', таким образом:

net.trainFcn = 'trainb' устанавливает сетевую trainFcn свойство.

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

trainb обучает сеть с правилами обучения с учетом веса и смещения с пакетными обновлениями. Веса и смещения обновляются в конце всего прохода через входные данные.

Обучение происходит согласно trainb"s обучающих параметров, показанных здесь с их значениями по умолчанию:

net.trainParam.epochs1000

Максимальное количество эпох для обучения

net.trainParam.goal0

Цель эффективности

net.trainParam.max_fail6

Максимальные отказы валидации

net.trainParam.min_grad1e-6Минимальный градиент эффективности
net.trainParam.show25

Эпохи между отображениями (NaN при отсутствии отображений)

net.trainParam.showCommandLinefalse

Сгенерируйте выход в командной строке

net.trainParam.showWindowtrue

Показать обучающий графический интерфейс пользователя

net.trainParam.timeinf

Максимальное время обучения в секундах

Использование сети

Можно создать стандартную сеть, которая использует trainb по вызову linearlayer.

Чтобы подготовить пользовательскую сеть для обучения с trainb,

  1. Задайте net.trainFcn на 'trainb'. Это устанавливает net.trainParam на trainbпараметры по умолчанию.

  2. Установите каждую net.inputWeights{i,j}.learnFcn к функции обучения. Установите каждую net.layerWeights{i,j}.learnFcn к функции обучения. Установите каждую net.biases{i}.learnFcn к функции обучения. (Параметры обучения с учетом веса и смещения автоматически устанавливаются на значения по умолчанию для заданной функции обучения.)

Для обучения сети,

  1. Задайте net.trainParam свойства к желаемым значениям.

  2. Установите параметры обучения с учетом веса и смещения на желаемые значения.

  3. Функции train.

Алгоритмы

Каждый вес и смещение обновляются согласно его функции обучения после каждой эпохи (один проходит через весь набор входа векторов).

Обучение останавливается, когда достигается любое из этих условий:

  • Максимальное количество epochs (повторения) достигается.

  • Эффективность минимизирована до goal.

  • Максимальное количество time превышено.

  • Эффективность валидации увеличилась более чем max_fail раз с момента последнего уменьшения (при использовании валидации).

См. также

|

Представлено до R2006a
Для просмотра документации необходимо авторизоваться на сайте