Инкрементальное обучение случайного порядка с функциями обучения
net.trainFcn = 'trainr'
[net,tr] = train(net,...)
trainr не вызывается напрямую. Вместо этого он вызывается train для сетей, чьи net.trainFcn для свойства задано значение 'trainr', таким образом:
net.trainFcn = 'trainr' устанавливает сетевую trainFcn свойство.
[net,tr] = train(net,...) обучает сеть с trainr.
trainr обучает сеть с правилами обучения с весом и смещением с инкрементными обновлениями после каждого представления входа. Входные параметры представлены в случайном порядке.
Обучение происходит согласно trainr 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 trainr по вызову competlayer или selforgmap. Чтобы подготовить пользовательскую сеть для обучения с trainr,
Задайте net.trainFcn на 'trainr'. Это устанавливает net.trainParam на trainrпараметры 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.
См. help competlayer и help selforgmap для примеров обучения.
Для каждой эпохи все обучающие векторы (или последовательности) представляются один раз в различном случайном порядке с обновлением сети и значений веса и смещения соответственно после каждой отдельной презентации.
Обучение останавливается, когда достигается любое из этих условий:
Максимальное количество epochs (повторения) достигается.
Эффективность минимизирована до goal.
Максимальное количество time превышено.
