Свойства подобъектов нейронной сети

Автор материала - Ю.П.Маслобоев.

Входы

Слои

Выходы

Эталоны

Смещения

Входные веса

Веса слоев

Наверх

Входы

Эти свойства определяют структуру i-го сетевого вxода. - net.inputs{i}

• range - определяет диапазоны изменения каждого из элементов i-го входа сети

net.inputs{i}.range - значение этого свойства может быть установлено в виде матрицы , где -  число элементов входа (net.inputs{i}.size), и каждый элемент в cтолбце 1 меньше чем элемент, следующий за ним в столбце 2.

Каждая j-ая строка определяет минимальное и максимальное значения j-го входного элемента, в следующем порядке:

net.inputs{i}(j,:)

Использование. 

Некоторые функции инициализации используют диапазоны входных значений для вычисления соответствующих начальных значений матриц входных весов.

Сопутствующие эффекты. 

Всякий раз, когда число строк в этом свойстве изменяется, размерности входов (net.inputs{i}.size) изменяются таким образом, чтобы избежать несоответствий. Количество весовых коэффициентов каждого ввода (net.inputWeights{:,i}.size) и размерности их весовых матриц (net.IW{:,i}) также изменяются.

• size - определяет число элементов в i-ом входе сети

net.inputs{i}.size - может принимать значение 0 или положительное целое число.

Сопутствующие эффекты. 

Всякий раз, когда это свойство изменено, диапазоны входов (net.inputs{i}.ranges), входные веса (net.inputWeights{:,i}.size) и матрицы весов (net.IW{:,i}) изменяют размерности чтобы избежать несоответствий.

• userdata - предоставляет место для пользователей, чтобы ввести дополнительную информацию об i-м входе сети.

net.inputs{i}.userdata

Одно поле предопределено. Оно содержит сообщение ко всем пользователям Neural Network Toolbox:

net.inputs{i}.userdata.note

Наверх

Слои

Эти свойства определяют структуру каждого i-го слоя сети - net.layers{i}

• dimensions - определяет физические размеры i-го слоя нейронов. Возможность упорядочивать нейроны слоя многомерным способом важна для самоорганизующихся карт.

net.layers{i}.dimensions - может быть присвоено значение вектора-строки из нулей или положительных целых элементов. При этом произведение всех элементов равно числу нейронов в слое (net.layers{i}.size).

Использование. 

Размерности слоя используются, чтобы вычислять позиции нейронов в слое (net.layers{i}.positions) c помощью функция топологии слоя (net.layers{i}.topologyFcn).

Сопутствующие эффекты. 

Всякий раз, когда это свойство изменено, размеры слоев (net.layers{i}.size) изменяются, чтобы избежать несоответствий. Позиции нейронов в слоях (net.layers{i}.positions) и расстояния между нейронами (net.layers{i}.distances) также модифицируются.

• distanceFcn - определяет функцию, используемую для вычисления расстояния между нейронами в i-ом слое (net.layers{i}.distances) по их позициям в слое (net.layers{i}.positions). Расстояния между нейронами используются самоорганизующимися картами.

net.layers{i}.distanceFcn - название любой функции расстояния, из набора функций тулбокса:

Сопутствующие эффекты. 

Всякий раз, когда это свойство изменяется, расстояние между нейронами слоя (net.layers{i}.distances) модифицируется.

• distances (только для чтения) - определяет расстояния между нейронами в i-ом слое. Эти расстояния используются самоорганизующимися картами.

net.layers{i}.distances - возвращает значение результата применения функции расстояния слоя (net.layers{i}.distanceFcn) к позициям нейронов слоя (net.layers{i}.positions)

• initFcn - это свойство определяет функцию инициализации, используемую для инициализации i-го слоя, в случае, если функция инициализации сети (net.initFcn) – initlay.

net.layers{i}.initFcn - название любой функции инициализации слоя из тулбокса.

Если установлена функция инициализации сети initlay, то функция указанная этим свойством используется, чтобы инициализировать веса и смещения слоя в случае, когда вызывается функция init:

net=init(net)

• netInputFcn - это свойство определяет использование входной функции сети для вычисления i-го входа слоя сети задаваемого взвешенными входами и смещениями.

net.layers{i}.netInputFcn – название любой входной функции сети из тулбокса.

Входная функция сети используется для моделирования сети, когда вызывается функция sim:

[Y,Pf,Af]=sim(net,P,Pi,Ai)

• positions (только для чтения) - это свойство определяет позиции нейронов в i-ом слое. Эти позиции используются самоорганизующимися картами.

net.layers{i}.positions - возвращает значение результата применения функции топологии слоя (net.layers{i}.topologyFcn) к позициям размерности слоя (net.layers{i}.dimensions).

Графическое представление. 

Используйте plotsom, чтобы нарисовать картину расположения нейронов слоя.

Например, если нейроны первого слоя сети размещены с размерностями (net.layers{1}.dimensions) = [4 5] и функция топологии (net.layers{1}.topologyFcn) = hextop, то позиции нейронов расположены так, как показано на рисунке, полученном в результате выполнения функции:

plotsom(net.layers{1}.positions)

• size - определяет число нейронов в i-ом слое.

net.layers{i}.size - можно присваивать значения 0 или положительное целое число.

Сопутствующие эффекты. 

Всякий раз, когда это свойство изменяется, размеры входных весов к слою (net.inputWeights{i,:}.size) весовых коэффициенты к слою (net.layerWeights{i,:}.size), или от слоя (net.inputWeights{i,:}.size), а также смещений слоя (net.biases{i}.size) изменяются. 

Размерности соответствующих весовых матриц (net.IW{i,:}, net.LW{i,:}, net.LW{:,i}) и смещений (net.b {i}) также изменяются.

Изменение этого свойства также изменяет размер выхода слоя (net.outputs{i}.size) и размерность вектора эталона (net.targets{i}.size) если они присутствуют.

Наконец, когда это свойство изменено, размерность нейронов слоя (net.layers{i}.dimension) устанавливается на то же самое значение. (Это приводит к одномерному расположению нейронов. Если требуется другое расположение, установите свойство размерности непосредственно, вместо того, чтобы использовать size.)

• topologyFcn – это свойство определяет функцию, используемую для вычисления позиций нейронов i-го слоя по размерностям слоя (net.layers{i}.dimensions).

net.topologyFcn - название любой функции топологии из тулбокса

Сопутствующие эффекты. 

Всякий раз, когда это свойство изменяется, позиции нейронов слоя (net.layers{i}.positions) модифицируются.

Графическое представление. 

Используйте plotsom, чтобы нарисовать картину расположения нейронов слоя.

Например, если нейроны первого слоя сети размещены с размерностями (net.layers{1}.dimensions) = [8 10] и функция топологии (net.layers{1}.topologyFcn) = randtop, то позиции нейронов расположены так, как показано на рисунке, полученном в результате выполнения функции:

plotsom(net.layers{1}.positions)

• transferFcn - эта функция определяет функцию активации, используемую для вычисления выхода i-го слоя по известному входу слоя.

net.layers{i}.transferFcn - качестве этой функции можно использовать любую функцию активации из тулбокса:

Функция активации используется, чтобы моделировать сеть когда вызывается функция sim:

[Y,Pf,Af] = sim(net,P,Pi,Ai)

• userdata - это свойство предоставляет место для пользователей, чтобы ввести дополнительную информацию об i-м слое сети.

net.layers{i}.userdata

Одно поле предопределено. Оно содержит сообщение ко всем пользователям Neural Network Toolbox.

net.layers{i}.userdata.note

Наверх

Выходы

• size (только для чтения) - возвращает число элементов в i-м выходе слоя

net.outputs{i}.size - возвращает размер i-го слоя (net.layers{i}.size)

• userdata - это свойство предоставляет место для пользователей, чтобы ввести дополнительную информацию об i-м слое сети.

net.outputs{i}.userdata

Одно поле предопределено. Оно содержит сообщение ко всем пользователям Neural Network Toolbox.

net.outputs{i}.userdata.note

Наверх

Эталоны

• size (только для чтения) - возвращает число элементов в эталоне i-го слоя

net.targets{i}.size - возвращает размер i-го слоя (net.layers{i}.size)

• userdata - это свойство предоставляет место для пользователей, чтобы ввести дополнительную информацию об эталоне i-го слоя сети.

net.targets{i}.userdata

Одно поле предопределено. Оно содержит сообщение ко всем пользователям Neural Network Toolbox.

net.targets{i}.userdata.note

Наверх

Смещения

• initFcn - это свойство определяет функцию, используемую для инициализации вектора смещений i-го слоя в случае, если используется функция инициализации сети initlay и функция инициализации слоя - initwb

net.biases{i}.initFcn – задается в виде названия функции инициализации смещений из настоящего тулбокса:

Эта функция используется, чтобы вычислять начальное значение вектора смещений для i-го слоя (net.b{i}), при вызове init в том случае, когда в качестве функции инициализации сети (net.initFcn) выбрана initlay и в качестве функции инициализации i-го слоя (net.layers{i}.initFcn) выбрана initwb.

net = init(net)

• learn – это свойство определяет, будет ли изменен i-й вектор смещения в процессе обучения и адаптации.

net.biases{i}.learn – может быть установлен в 0 или 1, разрешая или запрещая модификацию смещений при вызове функций adapt или train:

[net,Y,E,Pf,Af] = adapt(NET,P,T,Pi,Ai)

[net,tr] = train(NET,P,T,Pi,Ai)

• learnFcn - это свойство определяет функцию, используемую для модификации вектора весов i-го слоя в процессе тренировки, в случае, если в качестве функции тренировки сети выбраны trainb, trainc, или trainr а также в процессе адаптации, если в качестве функции адаптации сети выбрана trains.

net.biases{i}.learnFcn – название функции обучения из настоящего тулбокса.

Функция обучения модифицирует i-й вектор смещения (net.b {i}) при вызове train, в случае, если в качестве функции тренировки (net.trainFcn) выбраны trainb, trainc, или trainr, а также при вызове adapt, если в качестве функции адаптации (net.adaptFcn) выбрана trains.

[net,Y,E,Pf,Af] = adapt(NET,P,T,Pi,Ai)

[net,tr] = train(NET,P,T,Pi,Ai)

Сопутствующие эффекты. 

Всякий раз, когда это свойство изменено, параметры обучения смещений (net.biases{i}.learnParam) установливаются таким образом, чтобы содержать поля и значения по умолчанию новой функции.

• learnParam - это свойство определяет параметры значения обучения для текущей функции обучения смещений i-го слоя.

net.biases{i}.learnParam

Поля этого свойства зависят от текущей функции обучения (net.biases{i}.learnFcn). Вызовите вышеупомянутую ссылку, чтобы ознакомиться с полями текущей функции обучения.

Вызовите справку для текущей функции обучения, чтобы получить описание каждого из полей:

help(net.biases{i}.learnFcn)

• size (только для чтения) - возвращает размер вектора смещения i-го слоя.

net.biases{i}.size –всегда возвращает размер i-го слоя (net.layers{i}.size).

• userdata - это свойство предоставляет место для пользователей, чтобы ввести дополнительную информацию об эталоне i-го слоя сети.

net.biases{i}.userdata

Одно поле предопределено. Оно содержит сообщение ко всем пользователям Neural Network Toolbox.

net.biases{i}.userdata.note

Наверх

Входные веса

• delays - это свойство определяет дискретную задержку между j-м входом и его коэффициентом связи (весом) с
  i – м слоем.

net.inputWeights{i,j}.delays – может принимать значение в виде вектора-строки из нулей или целых положительных чисел.

Сопутствующие эффекты. 

Всякий раз, когда это свойство изменено, размер весов (net.inputWeights{i,j}.size) и размерность матрицы весов (net.IW{i,j}) также изменяются.

• initFcn – это свойство определяет функцию, используемую для инициализации матрицы весовых коэффициентов (весов) между j-м входом и i-м слоем, в случае когда в качестве функции инициализации сети используется initlay а в качестве функции инициализации i-го слоя используется initwb. 

net.inputWeights{i,j}.initFcn - задается в виде названия функции инициализации веса из настоящего тулбокса.

Эта функция используется, для вычисления исходной матрицы для весовых коэффициентов (весов) между j-м входом и i-м слоем (net.IW{i,j}) когда вызвана функция init в том случае, если в качестве функции инициализации сети (net.initFcn) используется initlay а в качестве функции инициализации i-го слоя (net.layers{i}.initFcn) используется initwb.

net = init(net)

• learn - это свойство определяет будет ли матрица весов к i-му слою от j-го входа изменена в процессе обучения и адаптации.

net.inputWeights{i,j}.learn – устанавливается в 0 или 1, разрешая или запрещая модификацию весов в процессе обучения, если вызваны adapt или train.

[net,Y,E,Pf,Af] = adapt(NET,P,T,Pi,Ai)

[net,tr] = train(NET,P,T,Pi,Ai)

• learnFcn - это свойство определяет функцию, используемую для модификации матрицы весов к i-му слою от j-го входа в процессе тренировки, в случае, если в качестве функции тренировки сети выбраны trainb, trainc, или trainr а также в процессе адаптации, если в качестве функции адаптации сети выбрана trains.

net.inputWeights{i,j}.learnFcn - задается в виде названия функции обучения весов из настоящего тулбокса

Функция обучения модифицирует весовую матрицу i-го слоя от j-го входа (net.IW{i,j}) при вызове train, в случае, если в качестве функции тренировки (net.trainFcn) выбраны trainb, trainc, или trainr, а также при вызове adapt, если в качестве функции адаптации (net.adaptFcn) выбрана trains.

[net,Y,E,Pf,Af] = adapt(NET,P,T,Pi,Ai)

[net,tr] = train(NET,P,T,Pi,Ai)

• learnParam - это свойство определяет параметры и значения обучения для текущей функции обучения веса i-го слоя от j-го входа.

net.inputWeights{i,j}.learnParam - поля этого свойства зависят от текущей функции обучения (net.inputWeights{i,j}.learnFcn). Обратитесь к вышеупомянутой ссылке чтобы увидеть поля текущей функции обучения.

Вызовите help на текущей функции обучения, чтобы получить описание каждого из полей:

help(net.inputWeights{i,j}.learnFcn)

• size (только для чтения) - это свойство определяет размерность матрицы весов i-го слоя от j-го входа сети.

net.inputWeights{i,j}.size - оно всегда устанавливается в виде двухэлементного вектора-строки, указывающего число строк и столбцов соответствующей матрицы весов (net.IW{i,j}). Первый элемент равен размеру i-го слоя (net.layers{i}.size).

Второй элемент равен произведению длины векторов задержек весов на размер j-го входа.

length(net.inputWeights{i,j}.delays) * net.inputs{j}.size

• userdata - это свойство предоставляет место для пользователей, чтобы ввести дополнительную информацию об эталоне i-го слоя сети.

net.inputWeights{i}.userdata

Одно поле предопределено. Оно содержит сообщение ко всем пользователям Neural Network Toolbox.

net.inputWeights{i}.userdata.note

• weightFcn - это свойство определяет функцию, используемую для применения к весам от входа к j-му слою. 

net.inputWeights{i,j}.weightFcn - задается в виде названия функции весов из настоящего тулбокса

Весовые функции используются, когда вызывается функция sim для моделирования сети.

[Y,Pf,Af] = sim(net,P,Pi,Ai)

Наверх

Веса слоев

• delays – это свойство определяет дискретную задержку между j-м слоем и его коэффициентом связи (весом) с i – м слоем.

net.layerWeights{i,j}.delays – может принимать значение в виде вектора-строки из нулей или целых положительных чисел.

• initFcn - это свойство определяет функцию, используемую для инициализации матрицы весовых коэффициентов (весов) между j-м слоем и i-м слоем, в случае когда в качестве функции инициализации сети используется initlay а в качестве функции инициализации i-го слоя используется initwb. 

net.layerWeights{i,j}.initFcn - задается в виде названия функции инициализации веса из настоящего тулбокса.

Эта функция используется, для вычисления исходной матрицы для весовых коэффициентов (весов) между i-м слоем и j-м слоем (net.LW{i,j}) когда вызвана функция init в том случае, если в качестве функции инициализации сети (net.initFcn) используется initlay а в качестве функции инициализации i-го слоя (net.layers{i}.initFcn) используется initwb.

net = init(net)

• learn - это свойство определяет будет ли матрица весов к i-му слою

от j-го слоя изменена в процессе обучения и адаптации.

net.layerWeights{i,j}.learn – устанавливается в 1 или 0, разрешая или запрещая модификацию весов в процессе обучения, если вызваны adapt или train.

[net,Y,E,Pf,Af] = adapt(NET,P,T,Pi,Ai)

[net,tr] = train(NET,P,T,Pi,Ai)

• learnFcn - это свойство определяет функцию, используемую для модификации матрицы весов к i-му слою от j-го слоя в процессе тренировки, в случае, если в качестве функции тренировки сети выбраны trainb, trainc, или trainr а также в процессе адаптации, если в качестве функции адаптации сети выбрана trains.

net.inputWeights{i,j}.learnFcn - задается в виде названия функции обучения весов из настоящего тулбокса

Функция обучения модифицирует весовую матрицу i-го слоя от j-го слоя (net.LW{i,j}) при вызове train, в случае, если в качестве функции тренировки (net.trainFcn) выбраны trainb, trainc, или trainr, а также при вызове adapt, если в качестве функции адаптации (net.adaptFcn) выбрана trains.

[net,Y,E,Pf,Af] = adapt(NET,P,T,Pi,Ai)

[net,tr] = train(NET,P,T,Pi,Ai)

• learnParam - это свойство определяет параметры и значения обучения для текущей функции обучения веса i-го слоя от j-го слоя.

net.layerWeights{i,j}.learnParam

Поля этого свойства зависят от текущей функции обучения

(net.layerWeights{i,j}.learnFcn). 

Вызовите help на текущей функции обучения, чтобы получить описание каждого из полей.

help(net.layerWeights{i,j}.learnFcn)

• size (только для чтения) – это свойство определяет размерность матрицы весов i-го слоя от j-го слоя сети.

net.layerWeights{i,j}.size - устанавливается в виде двухэлементного вектора-строки, указывающего число строк и столбцов соответствующей матрицы весов (net.LW{i,j}). Первый элемент равен размеру i-го слоя (net.layers{i}.size).

Второй элемент равен произведению длины векторов задержек весов на размер j-го слоя.

length(net.layerWeights{i,j}.delays) * net.inputs{j}.size

• userdata - это свойство предоставляет место для пользователей, чтобы ввести дополнительную информацию об (i,j)-весах слоев.

net.layerWeights{i}.userdata

Одно поле предопределено. Оно содержит сообщение ко всем пользователям Neural Network Toolbox.

net.layerWeights{i}.userdata.note

• weightFcn – это свойство определяет функцию, используемую для применения к весам от i-го слоя к j-му слою. 

net.layerWeights{i,j}.weightFcn - задается в виде названия функции весов из настоящего тулбокса

Весовые функции используются, когда вызывается sim для моделирования сети:

[Y,Pf,Af] = sim(net,P,Pi,Ai)