feedforwardnet

Generare una rete neurale feed-forward (da rimuovere)

feedforwardnet sarà rimossa in una prossima release. Per ulteriori informazioni, vedere Transition Legacy Neural Network Code to dlnetwork Workflows.

Per suggerimenti sull'aggiornamento del codice, vedere Version History (Storico della versione).

Sintassi

net = feedforwardnet(hiddenSizes,trainFcn)

Descrizione

net = feedforwardnet(hiddenSizes,trainFcn) restituisce una rete neurale feed-forward con una dimensione del livello nascosto di hiddenSizes e una funzione di addestramento, specificata da trainFcn.

Le reti feed-forward sono costituite da una serie di livelli. Il primo livello ha una connessione dall’input della rete. Ogni livello successivo ha una connessione dal livello precedente. Il livello finale fornisce l’output della rete.

Le reti feed-forward possono essere utilizzate per qualsiasi tipo di mappatura di input e output. Una rete feed-forward con un livello nascosto e un numero sufficiente di neuroni nei livelli nascosti può adattarsi a qualsiasi problema di mappatura input-output finito.

Le versioni specializzate della rete feed-forward comprendono le reti di fitting e di pattern recognition.

Una variante della rete feed-forward è la rete forward a cascata che presenta ulteriori connessioni dall’input a ciascun livello e da ciascun livello a tutti i livelli successivi.

Esempi

Costruzione e addestramento di una rete neurale feed-forward

Questo esempio mostra come utilizzare una rete neurale feed-forward per risolvere un semplice problema.

Caricare i dati di addestramento.

[x,t] = simplefit_dataset;

La matrice 1 per 94 x contiene i valori di input, mentre la matrice 1 per 94 t contiene i valori target di output associati.

Costruire una rete feed-forward con un livello nascosto di dimensione 10.

net = feedforwardnet(10);

Addestrare la rete net utilizzando i dati di addestramento.

net = train(net,x,t);

Visualizzare la rete addestrata.

view(net)

Stimare i target utilizzando la rete addestrata.

y = net(x);

Valutare la performance della rete addestrata. La funzione di performance predefinita è l'errore quadratico medio.

perf = perform(net,y,t)

perf = 
1.4639e-04

Argomenti di input

hiddenSizes — Dimensione dei livelli nascosti

10 (predefinito) | vettore di riga

Dimensione dei livelli nascosti nella rete, specificata come un vettore di riga. La lunghezza del vettore determina il numero di livelli nascosti nella rete.

Esempio Ad esempio, è possibile specificare una rete con 3 livelli nascosti, dove la dimensione del primo livello nascosto è 10, del secondo è 8 e del terzo è 5, come segue: [10,8,5]

Le dimensioni di input e di output sono impostate su zero. Il software regola le dimensioni di quest’ultime durante l’addestramento, in base ai dati di addestramento.

Tipi di dati: single | double

trainFcn — Nome della funzione di addestramento

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

Nome della funzione di addestramento, specificato come uno dei seguenti.

Funzione di addestramento	Algoritmo
'trainlm'	Levenberg-Marquardt
'trainbr'	Regolarizzazione bayesiana
'trainbfg'	Quasi-Newton BFGS
'trainrp'	Retropropagazione resiliente
'trainscg'	Gradiente coniugato scalato
'traincgb'	Gradiente coniugato con ripartenze Powell/Beale
'traincgf'	Gradiente coniugato di Fletcher-Powell
'traincgp'	Gradiente coniugato di Polak-Ribiére
'trainoss'	Secante a un passaggio
'traingdx'	Velocità di apprendimento variabile a discesa del gradiente
'traingdm'	Discesa del gradiente con momento
'traingd'	Discesa del gradiente

Esempio Ad esempio, è possibile specificare l'algoritmo di discesa del gradiente della velocità di apprendimento variabile come algoritmo di addestramento, come segue: 'traingdx'

Tipi di dati: char

Argomenti di output

net — Rete feed-forward

Oggetto network

Rete neurale feed-forward, restituita come un oggetto network.

Cronologia versioni

Introdotto in R2010b

R2026a: Prossima rimozione di feedforwardnet

feedforwardnet sarà rimossa in una prossima release.

Per addestrare una rete neurale con dati tabellari, utilizzare una di queste funzioni:

• fitrnet (Statistics and Machine Learning Toolbox): addestra una rete neurale di regressione. Utilizzare questa funzione per attività di regressione semplici.

• fitcnet (Statistics and Machine Learning Toolbox): addestra una rete neurale di classificazione. Utilizzare questa funzione per attività di classificazione semplici.

• trainnet: addestra una rete neurale. Utilizzare questa funzione quando le funzioni fitrnet e fitcnet non forniscono le opzioni di addestramento necessarie per l'attività.

Per addestrare una rete neurale con dati delle serie temporali, utilizzare una di queste opzioni:

• App Time Series Modeler: progetta e addestra le reti neurali per i dati delle serie temporali in modo interattivo.

• trainnet: addestra una rete neurale. Utilizzare questa funzione quando è necessaria una maggiore flessibilità nell'architettura di rete o nell'algoritmo di addestramento.

Per progettare e personalizzare una rete neurale per questi workflow, è possibile creare una rete utilizzando un array di livelli di Deep Learning o un oggetto dlnetwork. Per creare e modificare le reti neurali in modo interattivo e generare codice, utilizzare l'app Deep Network Designer. Per saperne di più sui workflow di costruzione delle reti neurali, vedere questi esempi e argomenti:

• Build Networks with Deep Network Designer

• List of Deep Learning Layers

• Example Deep Learning Network Architectures

• Reti con più input e più output

• Define Custom Deep Learning Layers

Per gli oggetti dlnetwork, per configurare le dimensioni nascoste di una rete di pattern recognition o di una rete feed-forward, regolare l'argomento outputSize degli oggetti fullyConnectedLayer. Per specificare l'algoritmo di addestramento, utilizzare l'argomento solverName della funzione trainingOptions.

Per ulteriori informazioni, vedere Transition Legacy Neural Network Code to dlnetwork Workflows.

Vedi anche

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

Argomenti

• 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