Циклический порядок веса/смещения обучения
net.trainFcn = 'trainc'
[net,tr] = train(net,...)
trainc
не вызывается напрямую. Вместо этого он вызывается train
для сетей, чьи net.trainFcn
для свойства задано значение 'trainc'
, таким образом:
net.trainFcn = 'trainc'
устанавливает сетевую trainFcn
свойство.
[net,tr] = train(net,...)
обучает сеть с trainc
.
trainc
обучает сеть с правилами обучения с весом и смещением с инкрементными обновлениями после каждого представления входа. Входные параметры представлены в циклическом порядке.
Обучение происходит согласно trainc
параметры обучения, показанные здесь с их значениями по умолчанию:
net.trainParam.epochs | 1000 | Максимальное количество эпох для обучения |
net.trainParam.goal | 0 | Цель эффективности |
net.trainParam.max_fail | 6 | Максимальные отказы валидации |
net.trainParam.show | 25 | Эпохи между отображениями ( |
net.trainParam.showCommandLine | false | Сгенерируйте выход в командной строке |
net.trainParam.showWindow | true | Показать обучающий графический интерфейс пользователя |
net.trainParam.time | inf | Максимальное время обучения в секундах |
Можно создать стандартную сеть, которая использует trainc
по вызову competlayer
. Чтобы подготовить пользовательскую сеть для обучения с trainc
,
Задайте net.trainFcn
на 'trainc'
. Это устанавливает net.trainParam
на trainc
параметры по умолчанию.
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,
Задайте net.trainParam
свойства к желаемым значениям.
Установите параметры обучения с учетом веса и смещения на желаемые значения.
Функции train
.
Посмотрите perceptron
для примеров обучения.
Для каждой эпохи каждый вектор (или последовательность) представляется в порядке с обновленными значениями веса и смещения соответственно после каждого отдельного представления.
Обучение останавливается, когда достигается любое из этих условий:
Максимальное количество epochs
(повторения) достигается.
Эффективность минимизирована до goal
.
Максимальное количество time
превышено.