Продукт Deep Learning Toolbox™ предоставляет набор блоков, которые можно использовать для создания нейронных сетей с помощью Simulink® программное обеспечение, или что функция gensim может использовать, чтобы сгенерировать версию Simulink любой сети, созданной вами с помощью MATLAB® программное обеспечение.
Откройте библиотеку блоков Deep Learning Toolbox с помощью команды:
neural
Это открывает окно библиотеки, содержащее пять блоков. Каждый из этих блоков содержит дополнительные блоки.
Дважды кликните блок Передаточные функции в окне Neural library, чтобы открыть окно, содержащее несколько блоков передаточная функция.
Каждый из этих блоков принимает вектор входа сети и генерирует соответствующий вектор выхода, размерности которого совпадают с размерностями вектора входа.
Дважды кликните блок Net Input Functions в окне Neural library, чтобы открыть окно, содержащее два функциональных блока net-input.
Каждый из этих блоков принимает любое количество взвешенных входных векторов, выходных векторов весового слоя и векторов смещения и возвращает вектор с входным сигналом.
Дважды кликните блок Weight Functions в окне Neural library, чтобы открыть окно, содержащее три блока weight function.
Каждый из этих блоков принимает вектор веса нейрона и применяет его к вектору входа (или слою выхода вектору), чтобы получить взвешенное входом значение для нейрона.
Важно отметить, что эти блоки ожидают, что вектор веса нейрона будет определен как вектор-столбец. Это связано с тем, что сигналы Simulink могут быть векторами-столбцами, но не могут быть матрицами или векторами-строками.
Также важно отметить, что из-за этого ограничения вы должны создать блоки функции веса S (по одному для каждой строки), чтобы реализовать матрицу веса, идущую к слою с S нейронами.
Это контрастирует с другими двумя видами блоков. Для каждого слоя требуются только одна входная функция и один блок передаточной функции.
Дважды кликните блок Processing Functions в окне Neural library, чтобы открыть окно, содержащее блоки обработки и соответствующие им блоки обратной обработки.
Каждый из этих блоков может использоваться для предварительной обработки входов и постпроцессных выходов.
