Устойчивая обратная связь
net.trainFcn = 'trainrp'
устанавливает сеть trainFcn
свойство.
[
обучает сеть с trainedNet
,tr
] = train(net
,...)trainrp
.
trainrp
сетевая учебная функция, которая обновляет вес и значения смещения согласно эластичному алгоритму обратного распространения (Rprop).
Обучение происходит согласно trainrp
параметры обучения, показанные здесь с их значениями по умолчанию:
net.trainParam.epochs
— Максимальное количество эпох, чтобы обучаться. Значением по умолчанию является 1000
.
net.trainParam.show
— Эпохи между отображениями (NaN
ни для каких отображений). Значением по умолчанию является 25
.
net.trainParam.showCommandLine
— Сгенерируйте командную строку выход. Значением по умолчанию является false
.
net.trainParam.showWindow
— Покажите учебный графический интерфейс пользователя. Значением по умолчанию является true
.
net.trainParam.goal
— Цель эффективности. Значение по умолчанию 0
.
net.trainParam.time
— Максимальное время, чтобы обучаться в секундах. Значением по умолчанию является inf
.
net.trainParam.min_grad
— Минимальный градиент эффективности. Значением по умолчанию является 1e-5
.
net.trainParam.max_fail
— Максимальные отказы валидации. Значением по умолчанию является 6
.
net.trainParam.lr
— Скорость обучения. Значением по умолчанию является 0.01
.
net.trainParam.delt_inc
— Шаг, чтобы взвесить изменение. Значением по умолчанию является 1.2
.
net.trainParam.delt_dec
— Декремент, чтобы взвесить изменение. Значением по умолчанию является 0.5
.
net.trainParam.delta0
— Начальное изменение веса. Значением по умолчанию является 0.07
.
net.trainParam.deltamax
— Максимальное изменение веса. Значением по умолчанию является 50.0
.
trainrp
может обучить любую сеть пока ее вес, сетевой вход, и передаточные функции имеют производные функции.
Обратная связь используется, чтобы вычислить производные эффективности perf
относительно веса и переменных X
смещения. Каждая переменная настроена согласно следующему:
dX = deltaX.*sign(gX);
где элементы deltaX
все инициализируются к delta0
, и gX
градиент. В каждой итерации элементы deltaX
изменяются. Если элемент gX
изменяет знак от одной итерации до следующего, затем соответствующий элемент deltaX
уменьшен delta_dec
. Если элемент gX
обеспечивает тот же знак от одной итерации до следующего, затем соответствующий элемент deltaX
увеличен на delta_inc
. См. Riedmiller, M. и Х. Брауна, “Прямой метод адаптации для более быстрой обратной связи, учащейся: алгоритм RPROP”, Продолжения Международной конференции IEEE по вопросам Нейронных сетей, 1993, стр 586–591.
Обучение останавливается, когда любое из этих условий происходит:
Максимальное количество epochs
(повторения) достигнуты.
Максимальная сумма time
превышен.
Эффективность минимизирована к goal
.
Градиент эффективности падает ниже min_grad
.
Эффективность валидации увеличила больше, чем max_fail
времена с прошлого раза это уменьшилось (при использовании валидации).
[1] Riedmiller, M. и Х. Браун, “Прямой метод адаптации для более быстрой обратной связи, учащейся: алгоритм RPROP”, Продолжения Международной конференции IEEE по вопросам Нейронных сетей, 1993, стр 586–591.
traingdm
| traingda
| traingdx
| trainlm
| traincgp
| traincgf
| traincgb
| trainscg
| trainoss
| trainbfg