Exponenta Banner
exponenta event banner

sse

Суммируйте функцию эффективности квадратичной невязки

свернуть все на странице

Синтаксис

perf = sse(net,t,y,ew)
perf = sse(net,t,y,ew,Name,Value)

Описание

пример

perf = sse(net,t,y,ew) берет сеть net, цели T, выходные параметры Y, и опционально веса ошибок EW, и возвращает производительность сети, вычисленную как квадратичная невязка суммы.

sse функция производительности сети. Это измеряет уровень согласно сумме квадратичных невязок.

perf = sse(net,t,y,ew,Name,Value) имеет два дополнительных параметра функции, которые устанавливают регуляризацию ошибок и нормализацию выходных параметров и целей.

sse функция производительности сети. Это измеряет уровень согласно сумме квадратичных невязок.

Примеры

свернуть все

В этом примере показано, как вычислить эффективность сети прямого распространения с sse функция.

Создайте сеть с помощью данных из простого подходящего набора данных, обучите его и вычислите его эффективность.

[x,t] = simplefit_dataset;
net = fitnet(10);
net.performFcn = 'sse';
net = train(net,x,t)
y = net(x)
e = t-y
perf = sse(net,t,y)

Входные параметры

свернуть все

Введите сеть в виде сетевого объекта. Чтобы создать сетевой объект, используйте, например, feedforwardnet или narxnet.

Сетевые цели в виде матричного или массива ячеек.

Сетевые выходные параметры в виде матричного или массива ячеек.

Веса ошибок в виде вектора, матрицы или массива ячеек.

Веса ошибок могут быть заданы демонстрационным, выходным элементом, временным шагом или сетевым выходом:

ew = [1.0 0.5 0.7 0.2]; % Across 4 samples
ew = [0.1; 0.5; 1.0]; % Across 3 elements
ew = {0.1 0.2 0.3 0.5 1.0}; % Across 5 timesteps
ew = {1.0; 0.5}; % Across 2 outputs

Веса ошибок могут также быть заданы через любую комбинацию, такой как через два timeseries (i.e., две выборки) более чем четыре такта.

ew = {[0.5 0.4],[0.3 0.5],[1.0 1.0],[0.7 0.5]};

В общем случае веса ошибок могут иметь точно те же размерности как цели, в этом случае каждое целевое значение будет иметь связанный вес ошибки.

Вес ошибки по умолчанию обрабатывает все ошибки то же самое.

ew = {1}

Аргументы name-value

Задайте дополнительные разделенные запятой пары Name,Value аргументы. Name имя аргумента и Value соответствующее значение. Name должен появиться в кавычках. Вы можете задать несколько аргументов в виде пар имен и значений в любом порядке, например: Name1, Value1, ..., NameN, ValueN.

Пример: 'regularization',0.1

Пропорция эффективности, приписанной, чтобы взвесить и сместить значения в виде разделенной запятой пары, состоящей из 'regularization' и целое число между 0 и 1. Чем больше это значение, тем больше сеть оштрафована за большие веса, и более вероятно сетевая функция старается не сверхсоответствовать.

Выведите и предназначайтесь для нормализации в виде разделенной запятой пары, состоящей из 'normalization' и также:

  • 'none' — не выполняет нормализации.

  • 'standard' — нормирует выходные параметры и предназначается к [-1, +1], и поэтому нормирует ошибки к [-2, +2].

  • 'percent' — нормирует выходные параметры и предназначается к [-0.5, +0.5], и поэтому нормирует ошибки к [-1, +1].

Выходные аргументы

свернуть все

Производительность сети, вычисленная как квадратичная невязка суммы, возвращенная как скаляр.

Больше о

свернуть все

Сетевое использование

Подготовить пользовательскую сеть, которая будет обучена с sse, установите net.performFcn к 'sse'. Это автоматически устанавливает net.performParam к параметрам функции по умолчанию.

Затем вызов train, adapt или perform приведет к sse будучи используемым вычислять эффективность.

Смотрите также

|

Представлено до R2006a

Документация Deep Learning Toolbox

Поддержка