feedforwardnet

(Zu entfernen) Erstellen eines neuronalen Feedforward-Netzes

feedforwardnet 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 = feedforwardnet(hiddenSizes,trainFcn)

Beschreibung

net = feedforwardnet(hiddenSizes,trainFcn) gibt ein neuronales Feedforward-Netz mit einer verborgenen Schichtgröße von hiddenSizes und einer Trainingsfunktion aus, die durch trainFcn angegeben ist.

Feedforward-Netze bestehen aus einer Reihe von Schichten. Die erste Schicht verfügt über eine Verbindung zum Eingang des Netzes. Jede nachfolgende Schicht hat eine Verbindung zur vorherigen Schicht. Die letzte Schicht produziert die Ausgabe des Netzes.

Sie können Feedforward-Netze für jede Art von Input-Output-Zuordnung verwenden. Ein Feedforward-Netz mit einer verborgenen Schicht und einer ausreichenden Anzahl von Neuronen in den verborgenen Schichten kann jedes endliche Input-Output-Mapping-Problem lösen.

Zu den spezialisierten Versionen des Feedforward-Netzes gehören Anpassungs- und Mustererkennungsnetze.

Eine Abwandlung des Feedforward-Netzes ist das Kaskaden-Forward-Netz, das zusätzliche Verbindungen vom Eingang zu jeder Schicht und von jeder Schicht zu allen folgenden Schichten aufweist.

Beispiele

Konstruieren und Trainieren eines neuronalen Feedforward-Netzes

Dieses Beispiel zeigt, wie man ein neuronales Feedforward-Netz zur Lösung eines einfachen Problems einsetzt.

Laden Sie die Trainingsdaten.

[x,t] = simplefit_dataset;

Die 1x94-Matrix x enthält die Eingabewerte und die 1x94-Matrix t enthält die zugehörigen Ziel-Ausgabewerte.

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

net = feedforwardnet(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,y,t)

perf = 
1.4639e-04

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

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

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

Ausgangsargumente

net — Feedforward-Netz

network-Objekt

Neuronales Feedforward-Netz, ausgegeben als network-Objekt.

Versionsverlauf

Eingeführt in R2010b

R2026a: feedforwardnet wird zukünftig entfernt.

feedforwardnet 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/Feedforward-Netzes zu konfigurieren. Verwenden Sie das Argument solverName der Funktion trainingOptions, um den Trainingsalgorithmus anzugeben.

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

Siehe auch

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

Themen

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