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 traincпараметры 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.