matlab创建神经网络,创建神经网络对象 - MATLAB & Simulink - MathWorks 中国

创建神经网络对象

本主题是神经网络设计的工作流中所述的设计工作流的一部分。

创建神经网络的最简单方法是使用一个网络创建函数。为了研究如何做到这一点，您可以使用命令 feedforwardnet 创建一个简单的两层前馈网络：

net = feedforwardnet

net =

Neural Network

name: 'Feed-Forward Neural Network'

userdata: (your custom info)

dimensions:

numInputs: 1

numLayers: 2

numOutputs: 1

numInputDelays: 0

numLayerDelays: 0

numFeedbackDelays: 0

numWeightElements: 10

sampleTime: 1

connections:

biasConnect: [1; 1]

inputConnect: [1; 0]

layerConnect: [0 0; 1 0]

outputConnect: [0 1]

subobjects:

inputs: {1x1 cell array of 1 input}

layers: {2x1 cell array of 2 layers}

outputs: {1x2 cell array of 1 output}

biases: {2x1 cell array of 2 biases}

inputWeights: {2x1 cell array of 1 weight}

layerWeights: {2x2 cell array of 1 weight}

functions:

adaptFcn: 'adaptwb'

adaptParam: (none)

derivFcn: 'defaultderiv'

divideFcn: 'dividerand'

divideParam: .trainRatio, .valRatio, .testRatio

divideMode: 'sample'

initFcn: 'initlay'

performFcn: 'mse'

performParam: .regularization, .normalization

plotFcns: {'plotperform', plottrainstate, ploterrhist,

plotregression}

plotParams: {1x4 cell array of 4 params}

trainFcn: 'trainlm'

trainParam: .showWindow, .showCommandLine, .show, .epochs,

.time, .goal, .min_grad, .max_fail, .mu, .mu_dec,

.mu_inc, .mu_max

weight and bias values:

IW: {2x1 cell} containing 1 input weight matrix

LW: {2x2 cell} containing 1 layer weight matrix

b: {2x1 cell} containing 2 bias vectors

methods:

adapt: Learn while in continuous use

configure: Configure inputs & outputs

gensim: Generate Simulink model

init: Initialize weights & biases

perform: Calculate performance

sim: Evaluate network outputs given inputs

train: Train network with examples

view: View diagram

unconfigure: Unconfigure inputs & outputs

evaluate: outputs = net(inputs)

此处显示的内容简要说明了网络对象，它用于存储定义神经网络的所有信息。此处有很多细节，但有几个关键部分可以帮助您了解网络对象是如何组织的。

维度部分存储网络的整体结构。在此处，您可以看到一个网络输入(尽管一个输入可以是包含许多元素的向量)、一个网络输出和两个层。

连接部分存储网络组件之间的连接。例如，每一层都连接了一个偏置，输入连接到层 1，输出来自层 2。您还可以看到层 1 连接到层 2。(net.layerConnect 的行表示目标层，列表示源层。此矩阵中的 1 表示有连接，0 表示无连接。对于此示例，矩阵的元素 2,1 处有一个 1。)

网络对象的关键子对象包括 inputs、layers、outputs、biases、inputWeights 和 layerWeights。使用以下命令查看第一层的 layers 子对象

net.layers{1}

Neural Network Layer

name: 'Hidden'

dimensions: 10

distanceFcn: (none)

distanceParam: (none)

distances: []

initFcn: 'initnw'

netInputFcn: 'netsum'

netInputParam: (none)

positions: []

range: [10x2 double]

size: 10

topologyFcn: (none)

transferFcn: 'tansig'

transferParam: (none)

userdata: (your custom info)

一个层中神经元的数量由其 size 属性给出。在本例中，该层有 10 个神经元，这是 feedforwardnet 命令的默认大小。net 输入函数是 netsum(求和)，传递函数是 tansig。例如，如果您要将传递函数更改为 logsig，可以执行以下命令：

net.layers{1}.transferFcn = 'logsig';

要查看 layerWeights 子对象以了解层 1 和层 2 之间的权重，请使用以下命令：

net.layerWeights{2,1}

Neural Network Weight

delays: 0

initFcn: (none)

initConfig: .inputSize

learn: true

learnFcn: 'learngdm'

learnParam: .lr, .mc

size: [0 10]

weightFcn: 'dotprod'

weightParam: (none)

userdata: (your custom info)

权重函数是 dotprod，它表示标准矩阵乘法(点积)。请注意，该层权重的大小为 0×10。我们有全部为 0 的行，是因为网络尚未针对特定数据集进行配置。输出神经元的数量等于目标向量中的行数。在配置过程中，您将为网络提供示例输入和目标，然后可以分配输出神经元的数量。

这可以让您大致了解网络对象是如何组织的。对于许多应用，您不需要直接对网络对象进行更改，因为这由网络创建函数负责。通常仅当您要覆盖系统默认值时，才需要直接访问网络对象。其他主题将说明如何针对特定网络和训练方法做到这一点。

要更详细地研究网络对象，您可能会发现对象列表(如上所示)包含每个子对象的帮助链接。点击链接，您可以有选择地调查对象中您关注的部分。