Циклическое обучение веса/смещения порядка
net.trainFcn = 'trainc'
[net,tr] = train(net,...)
trainc
не называется непосредственно. Вместо этого это вызвано train
для сетей, чей net.trainFcn
свойство установлено в 'trainc'
, таким образом:
net.trainFcn = 'trainc'
устанавливает сеть trainFcn
свойство.
[net,tr] = train(net,...)
обучает сеть с trainc
.
trainc
обучает сеть с весом и правила изучения смещения 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, чтобы обучаться |
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 командную строку выход |
net.trainParam.showWindow | true | Покажите учебный графический интерфейс пользователя |
net.trainParam.time | inf | Максимальное время, чтобы обучаться в секундах |
Можно создать стандартную сеть, которая использует trainc
путем вызова competlayer
. Подготовить пользовательскую сеть, которая будет обучена с trainc
,
Установите net.trainFcn
к 'trainc'
. Это устанавливает net.trainParam
к trainc
параметры по умолчанию.
Установите каждый net.inputWeights{i,j}.learnFcn
к функции изучения. Установите каждый net.layerWeights{i,j}.learnFcn
к функции изучения. Установите каждый net.biases{i}.learnFcn
к функции изучения. (Вес и параметры изучения смещения автоматически установлены в значения по умолчанию для данного изучения функции.)
Обучать сеть,
Установите net.trainParam
свойства к требуемым значениям.
Установите вес и параметры изучения смещения к требуемым значениям.
Вызовите train
.
Смотрите perceptron
для учебных примеров.
В течение каждой эпохи каждый вектор (или последовательность) представлен для того, чтобы сети с весом и значениями смещения, обновленными соответственно после каждого отдельного представления.
Обучение останавливается, когда любое из этих условий соблюдают:
Максимальное количество epochs
(повторения) достигнуты.
Эффективность минимизирована к goal
.
Максимальная сумма time
превышен.