配置浅神经网络输入和输出

这个主题是描述的设计工作流的一部分神经网络设计的工作流。

创建了神经网络之后,它必须配置。配置步骤包括检查输入和目标数据,设置网络的输入和输出大小匹配数据,并选择设置处理输入和输出,将使最好的网络性能。配置步骤通常是自动完成,当训练函数被调用。然而,它可以手工完成,通过使用配置功能。例如,您前面创建的配置网络近似正弦函数,发出以下命令:

p = 2: .1:2;t =罪(π* p / 2);net1 =配置(净、p、t);

你网络提供了一个示例的输入和目标(预期的网络输出)。有了这个信息,配置函数可以设置网络的输入和输出大小相匹配的数据。

配置后,如果你再看看第一层和第二层之间的重量,你可以看到的尺寸重量是1到20。这是因为这个网络的目标是一个标量。

net1。layerWeights{2, 1}神经网络权重延迟:0 initFcn:(一)initConfig: .inputSize学习:真正的learnFcn:“learngdm”learnParam: .lr, .mc尺寸:10 [1]weightFcn:“dotprod”weightParam:(一)用户数据:(定制信息)

除了为权重设置适当的尺寸,配置步骤还定义了处理的设置输入和输出。可以位于输入处理输入子对象:

net1。{1}输入神经网络输入的名字:“输入”feedbackOutput: [] processFcns: {removeconstantrows, mapminmax} processParams: {1 x2单元阵列2 params} processSettings: {1 x2单元阵列2设置}processedRange: [1 x2双]processedSize: 1范围:[1 x2双]大小:1用户数据:(定制信息)

输入应用到网络之前,它将处理两个函数:removeconstantrows和mapminmax。这些都是充分的讨论多层浅神经网络和反向传播训练所以我们不会解决事项。这些处理函数可能有一些处理参数,包含在子对象net1.inputs {1} .processParam。你可以覆盖这些默认值。处理功能也可以配置依赖于样本数据的设置。这些都是包含在net1.inputs {1} .processSettings和设置在配置过程中。例如,mapminmax处理函数实现数据规范化,使所有的输入范围下降(−1,1)。它的配置设置包括样本数据的最小值和最大值,它需要执行正确的正常化。这将更深入地讨论多层浅神经网络和反向传播训练。

作为一般规则,我们使用术语“参数,工艺参数,训练参数,等等,来表示常量都有默认值,指定的软件创建网络时(你可以覆盖)。我们使用术语“配置设置”,在流程配置设置,表示常量分配的软件从一个样本数据的分析。这些设置没有默认值,通常不应该被覆盖。

有关更多信息,请参见理解浅网络数据结构。