MATLAB Answers

如何手动计算神经网络输出？

106 views (last 30 days)
显示较旧的评论
杰夫·张
杰夫·张 2018年5月2日
  • 0
Edited: Soumitra Sitole2022年4月20日
亲爱的大家，
我正在探索神经网络工具箱，并想手动手动计算输出。我使用了MATLAB提供的一个示例和以下代码。不幸的是，我的输出不正确。有人知道为什么吗？谢谢
下面是MATLAB的示例代码
[x, y] = crab_dataset;
尺寸（x）％6 x 200
尺寸（y）％2x 200
setDemorandStream（491218382）;
net = patternnet(10);
[net, tr_info] = train(net, x, y);
testx = x（：，tr_info.testind）;
testt = y（：，tr_info.testind）;
testY = net(testX);
testIndices = vec2ind(testY);
[error_rate, conf_mat] = confusion(testT, testY);
fprintf（'Percentage Correct Classification : %f%%\n', 100*(1 - error_rate));
fprintf（'Percentage Incorrect Classification : %f%%\n'，100*error_rate）;
%%手动计算输出
％nfeatures = 6
％nSamples = 200
％nhidendnode = 10
％nClass = 2
％input layer => x (6x200)
％hidden layer => h = sigmoid(w1.x + b1)
％=（10x6）（6x200） +（10x1）
％= (10x200)
％
％output layer => yhat = w2.h + b2
％= (2x200)
w1 = net.iw {1};％（10x6）
w2 = net.lw {2};％(2x10)
b1 = net.b{1};％（10x1）
b2 = net.b {2};％(2x1)
H = Sigmoid（W1*X + B1）;
yhat = w2*h + b2;
[testy'yhat']
[vec2ind（testy）'vec2ind（yhat）']

登录来回答这个问题。

Accepted Answer

JESUS DAVID ARIZA ROYETH
JESUS DAVID ARIZA ROYETH 2018年5月2日
you missed several normalization parameters, here I leave the solution :
[x, y] = crab_dataset;
尺寸（x）％6 x 200
尺寸（y）％2x 200
setDemorandStream（491218382）;
net = patternnet(10);
[net, tr_info] = train(net, x, y);
xoffset = net.inputs {1} .processSettings {1} .xoffset;
gain = net.inputs {1} .processSettings {1} .gain;
ymin = net.inputs {1} .processSettings {1} .ymin;
w1 = net.iw {1};％（10x6）
w2 = net.lw {2};％(2x10)
b1 = net.b{1};％（10x1）
b2 = net.b {2};
％Input 1
y1 = bsxfun（@times，bsxfun（@minus，x，xoffset），gain）;
y1 = bsxfun（@plus，y1，ymin）;
％1层
a1 = 2 ./（1 + exp（-2*（repmat（b1,1，size（x，2）） + w1*y1））） - 1;
％output
n = repmat（b2,1，size（x，2）） + w2*a1;
nmax = max（n，[]，1）;
n = bsxfun(@minus,n,nmax);
num = exp（n）;
den = sum（num，1）;
den(den == 0) = 1;
y2 = bsxfun（@rdivide，num，den）;％y2 == outputnet == net（x）
2条评论
Show 1 older comment
Sadaf Jabeen
Sadaf Jabeen 2022年3月14日
How can I compute the same with linear activation function and no bias values?

登录发表评论。

More Answers (3)

Amir Qolami
Amir Qolami 2020年4月12日
Edited:Amir Qolami 2020年4月12日

{i}和out {i}是i（th）隐藏（以及输出）层的输入和输出。输入之前和输出层之后有两个重新生物。

function output = NET(net,inputs)

w = cellfun（@transpose，[net.iw {1}，net.lw（2：size（net.lw，1）+1：end）+1：end）]，'simurancoutOutput'，false）;b = cellfun（@transpose，net.b'，'suffortOutput'，false）;tf = cellfun（@（x）x.transferfcn，net.layers'，'suffortOutput'，false）;
％％mapminmax on inputs if strcmp(net.Inputs{1}.processFcns{:},'mapminmax') xoffset = net.Inputs{1}.processSettings{1}.xoffset; gain = net.Inputs{1}.processSettings{1}.gain; ymin = net.Inputs{1}.processSettings{1}.ymin; In0 = bsxfun(@plus,bsxfun(@times,bsxfun(@minus,inputs,xoffset),gain),ymin); else In0 = inputs; end
％％In = cell(1,length(w)); Out = In; In{1} = In0'*w{1}+b{1}; Out{1} = eval([tf{1},'(In{1})']); for i=2:length(w) In{i} = Out{i-1}*w{i}+b{i}; Out{i} = eval([tf{i},'(In{',num2str(i),'})']); end
如果strcmp（net.outputs {end} .processfcns {：}，'mapminmax'）gain = net.outputs {end end} .processSettings {：}。ymin = net.outputs {end} .processSettings {：}。ymin;xoffset = net.outputs {end} .processSettings {：}。xoffset;output = bsxfun（@plus，bsxfun（@rdivide，bsxfun（@minus，out of {end}，ymin），ymin），gain），xoffset）;else output = out {end};结尾

结尾

1条评论
Soumitra Sitole
Soumitra Sitole 2022年4月20日
谢谢，这也适用于相对深度的回归网络

登录发表评论。

杰夫·张
杰夫·张 2018年5月2日
Edited:杰夫·张 2018年5月2日
除了，是否可以使用deepdreamimage（）在此示例中可视化隐藏层？
Shounak Mitra
Shounak Mitra 2018年10月8日
Unfortunately, using deepDreamImage() is not possible in this case.