perform

(Zu entfernen) Berechnen der Netzleistung

perform wird in einer zukünftigen Version entfernt. Weitere Informationen finden Sie unter Transition Legacy Neural Network Code to dlnetwork Workflows.

Ratschläge zur Aktualisierung Ihres Codes finden Sie unter Versionsverlauf.

Syntax

perf = perform(net,t,y,ew)

Beschreibung

perf = perform(net,t,y,ew) akzeptiert ein Netz net, Ziele T, Ausgänge Y und optional Abweichungsgewichtungen EW und gibt die Netzleistung aus, berechnet gemäß der Eigenschaftswerte net.performFcn und net.performParam.

Die Ziel- und Ausgangsdaten müssen dieselben Dimensionen aufweisen. Die Abweichungsgewichtungen können im allgemeinen Fall dieselben Dimensionen wie die Ziele aufweisen; beliebige Dimensionen können jedoch auch 1 sein. Dies verleiht die benötigte Flexibilität zum Festlegen von Abweichungsgewichtungen über die gewünschten Dimensionen hinweg.

Beispiele

Berechnen der Netzleistung mit der 'perform'-Funktion

Dieses Beispiel zeigt, wie Sie die Leistung eines Feed-Forward-Netzes mit der perform-Funktion berechnen können.

Erstellen Sie mithilfe der Daten aus dem einfach angepassten Datensatz ein Feed-Forward-Netz und berechnen Sie dessen Leistung.

[x,t] = simplefit_dataset;
net = feedforwardnet(20);
net = train(net,x,t);
y = net(x);
perf = perform(net,t,y)

perf =

   2.3654e-06

Eingabeargumente

net — Eingangsnetz

Netz

Eingangsnetz, angegeben als Netzobjekt. Um ein Netzobjekt zu erstellen, verwenden Sie beispielsweise feedforwardnet oder narxnet.

t — Ziele des Netzes

Matrix | Zellen-Array

Ziele des Netzes, angegeben als Matrix oder Zellen-Array.

y — Netzausgänge

Matrix | Zellen-Array

Netzausgänge, angegeben als Matrix oder Zellen-Array.

ew — Fehlergewichte

Vektor | Matrix | Zellen-Array

Abweichungsgewichtungen, angegeben als Vektor, Matrix oder Zellen-Array.

Abweichungsgewichtungen können als Sample, Ausgangselement, Zeitschritt oder Netzausgang definiert werden:

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

Die Abweichungsgewichtungen können zudem über beliebige Kombinationen hinweg definiert werden, wie über zwei Zeitreihen (d. h. zwei Samples) über vier Zeitschritte hinweg.

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

Im allgemeinen Fall können Abweichungsgewichtungen genau dieselben Dimensionen wie Ziele aufweisen; in diesem Fall weist jeder Zielwert eine zugehörige Zielgewichtung auf.

Die Standard-Abweichungsgewichtung behandelt alle Fehler gleich.

ew = {1}

Ausgangsargumente

perf — Netzleistung

Skalar

Netzleistung, ausgegeben als Skalar.

Versionsverlauf

Eingeführt in R2010b

perform wird zukünftig entfernt.

perform wird in einer zukünftigen Version entfernt.

perform wird in einer zukünftigen Version entfernt.

Mehr über die Verwendung von Metriken und Verlustfunktionen beim Trainieren neuronaler Netze erfahren Sie in den folgenden Beispielen und Themen:

• Deep Learning Metrics

• Custom Loss Functions

• Überwachen des Deep-Learning-Trainingsfortschritts

• ROC Curve and Performance Metrics

Um die Vorhersagekraft neuronaler Netzmodelle der Statistics and Machine Learning Toolbox™ zu beurteilen, verwenden Sie eine der folgenden Funktionen:

• loss (Statistics and Machine Learning Toolbox) – berechnet den Regressionsverlust des neuronalen Netzes.

• loss (Statistics and Machine Learning Toolbox) — berechnet den Klassifizierungsverlust des neuronalen Netzes.

Um die Vorhersagekraft eines dlnetwork-Objekts zu beurteilen, verwenden Sie die testnet-Funktion.

Weitere Informationen finden Sie unter Transition Legacy Neural Network Code to dlnetwork Workflows.

Siehe auch

Time Series Modeler | fitrnet (Statistics and Machine Learning Toolbox) | fitcnet (Statistics and Machine Learning Toolbox) | trainnet | trainingOptions | dlnetwork | testnet

Themen

• Training Neural Networks with Tabular Data
• Training Neural Networks with Time Series Data
• Transition Legacy Neural Network Code to dlnetwork Workflows