patternnet

(Zu entfernen) Generieren eines Mustererkennungs-Netzes

patternnet 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

net = patternnet(hiddenSizes,trainFcn,performFcn)

Beschreibung

net = patternnet(hiddenSizes,trainFcn,performFcn) gibt ein neuronales Mustererkennungs-Netz mit einer verborgenen Schichtgröße von hiddenSizes, einer durch trainFcn festgelegten Trainingsfunktion und einer durch performFcn festgelegten Leistungsfunktion aus.

Mustererkennungs-Netze sind Feed-Forward-Netz, die darauf trainiert werden können, Eingänge nach Zielklassen zu klassifizieren. Die Zieldaten für Mustererkennungs-Netze sollten aus Vektoren mit Nullwerten bestehen, mit Ausnahme von 1 bei dem Element i, wobei i für die darzustellende Klasse steht.

Beispiele

Konstruieren und Trainieren eines neuronalen Mustererkennungs-Netzes

Dieses Beispiel zeigt, wie Sie ein Mustererkennungs-Netz zur Klassifizierung von Schwertlilien entwickeln können.

Laden Sie die Trainingsdaten.

[x,t] = iris_dataset;

Konstruieren Sie ein Muster-Netz mit einer verborgenen Schicht der Größe 10.

net = patternnet(10);

Trainieren Sie das Netz net unter Verwendung der Trainingsdaten.

net = train(net,x,t);

Sehen Sie sich das trainierte Netz an.

view(net)

Schätzen Sie die Ziele mithilfe des trainierten Netzes.

y = net(x);

Bewerten Sie die Leistung des trainierten Netzes. Die Standardleistungsfunktion ist die mittlere quadratische Abweichung.

perf = perform(net,t,y)

perf = 
0.0181

classes = vec2ind(y);

Eingabeargumente

hiddenSizes — Größe der verborgenen Schichten

10 (Standardeinstellung) | Zeilenvektor

Größe der verborgenen Schichten des Netzes, angegeben als Zeilenvektor. Die Länge des Vektors bestimmt die Anzahl der verborgenen Schichten im Netz.

Beispiel: Sie können zum Beispiel ein Netz mit 3 verborgenen Schichten angeben, wobei die Größe der ersten verborgenen Schicht 10, der zweiten 8 und der dritten 5 beträgt: [10,8,5]

Die Eingabe- und Ausgabegrößen werden auf Null gesetzt. Die Software passt deren Größe während des Trainings entsprechend den Trainingsdaten an.

Datentypen: single | double

trainFcn — Name der Trainingsfunktion

'trainscg' (Standardeinstellung) | 'trainbr' | 'trainbfg' | 'trainrp' | 'trainlm' | ...

Name der Trainingsfunktion, angegeben als eine der folgenden Möglichkeiten:

Trainingsfunktion	Algorithmus
'trainlm'	Levenberg-Marquardt
'trainbr'	Bayes‘sche Regularisierung
'trainbfg'	BFGS Quasi-Newton
'trainrp'	Resiliente Backpropagation (Rprop)
'trainscg'	Skalierter konjugierter Gradient
'traincgb'	Konjugierter Gradient mit Powell/Beale-Restarts
'traincgf'	Konjugierter Fletcher-Powell-Gradient
'traincgp'	Konjugierter Polak-Ribiére-Gradient
'trainoss'	Ein-Schritt-Sekantenverfahren
'traingdx'	Gradientenabstieg mit variabler Lernrate
'traingdm'	Gradientenabstieg mit Momentum
'traingd'	Gradientenabstieg

Beispiel: Sie können zum Beispiel den Gradientenabstiegsalgorithmus mit variabler Lernrate wie folgt als Trainingsalgorithmus festlegen: 'traingdx'

Datentypen: char

performFcn — Leistungsfunktion

Zeichenvektor

Leistungsfunktion. Der Standardwert ist 'crossentropy'.

Dieses Argument legt die zur Messung der Netzleistung verwendete Funktion fest. Die Leistungsfunktion wird zur Berechnung der Netzleistung während des Trainings verwendet.

Geben Sie für eine Liste der Funktionen help nnperformance in das MATLAB-Befehlsfenster ein.

Ausgangsargumente

net — Mustererkennungsnetz

network-Objekt

Neuronales Mustererkennungsnetz, ausgegeben als network-Objekt.

Versionsverlauf

Eingeführt in R2010b

R2026a: patternnet wird zukünftig entfernt.

patternnet wird in einer zukünftigen Version entfernt.

Um ein neuronales Netz mit Tabellendaten zu trainieren, verwenden Sie eine der folgenden Funktionen:

• fitrnet (Statistics and Machine Learning Toolbox) – Trainiert ein neuronales Regressionsnetz. Verwenden Sie diese Funktion für einfache Regressionsaufgaben.

• fitcnet (Statistics and Machine Learning Toolbox) – Trainiert ein neuronales Klassifizierungsnetz. Verwenden Sie diese Funktion für einfache Klassifizierungsaufgaben.

• trainnet – Trainiert ein neuronales Netz. Verwenden Sie diese Funktion, wenn die Funktionen fitrnet und fitcnet nicht die für Ihre Aufgabe benötigten Trainingsoptionen bieten.

Um ein neuronales Netz mit Zeitreihendaten zu trainieren, verwenden Sie eine der folgenden Optionen:

• Time Series Modeler-App – Interaktive Entwicklung und interaktives Training von neuronalen Netzen für Zeitreihendaten.

• trainnet – Trainiert ein neuronales Netz. Verwenden Sie diese Funktion, wenn Sie mehr Flexibilität in der Netzarchitektur oder Ihrem Trainingsalgorithmus benötigen.

Um Ihr eigenes neuronales Netz für diese Workflows zu entwerfen und anzupassen, können Sie ein Netz mithilfe eines Arrays aus Deep-Learning-Schichten oder eines dlnetwork-Objekts erstellen. Um neuronale Netze interaktiv zu erstellen und zu bearbeiten und Code zu generieren, verwenden Sie die App Deep Network Designer. Mehr über Erstellungs-Workflows für neuronale Netze erfahren Sie in den folgenden Beispielen und Themen:

• Build Networks with Deep Network Designer

• List of Deep Learning Layers

• Example Deep Learning Network Architectures

• Multiple-Input and Multiple-Output Networks

• Define Custom Deep Learning Layers

Bei dlnetwork-Objekten können Sie das Argument outputSize von fullyConnectedLayer-Objekten anpassen, um die verborgenen Größen eines Mustererkennungsnetzes zu konfigurieren. Verwenden Sie das Argument solverName der Funktion trainingOptions, um den Trainingsalgorithmus anzugeben. Verwenden Sie das Argument lossFcn der Funktion trainnet, um die Verlustfunktion für das Training anzugeben.

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

Siehe auch

Deep Network Designer | fitcnet (Statistics and Machine Learning Toolbox) | trainnet | trainingOptions | dlnetwork | fullyConnectedLayer

Themen

• Training Neural Networks with Tabular Data
• List of Deep Learning Layers
• Transition Legacy Neural Network Code to dlnetwork Workflows