trainc

Циклический порядок веса/смещения обучения

Синтаксис

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

Описание

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.epochs1000

Максимальное количество эпох для обучения

net.trainParam.goal0

Цель эффективности

net.trainParam.max_fail6

Максимальные отказы валидации

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 trainc по вызову competlayer. Чтобы подготовить пользовательскую сеть для обучения с trainc,

  1. Задайте net.trainFcn на 'trainc'. Это устанавливает net.trainParam на traincпараметры 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.

Посмотрите perceptron для примеров обучения.

Алгоритмы

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.

См. также

|

Представлено до R2006a
Для просмотра документации необходимо авторизоваться на сайте