fitnet

Rete neurale di fitting della funzione (da rimuovere)

fitnet 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 = fitnet(hiddenSizes)

net = fitnet(hiddenSizes,trainFcn)

Descrizione

net = fitnet(hiddenSizes) restituisce una rete neurale di fitting della funzione con una dimensione del livello nascosto di hiddenSizes.

net = fitnet(hiddenSizes,trainFcn) restituisce una rete neurale di fitting della funzione con una dimensione del livello nascosto di hiddenSizes e una funzione di addestramento, specificata da trainFcn.

Esempi

Costruzione e addestramento di una rete di fitting della funzione

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 neurale di fitting della funzione con un livello nascosto di dimensione 10.

net = fitnet(10);

Visualizzare la rete.

view(net)

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

Addestrare la rete net utilizzando i dati di addestramento.

net = train(net,x,t);

Visualizzare la rete addestrata.

view(net)

Come si può notare, le dimensioni di input e di output sono pari a 1.

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

L'algoritmo di addestramento predefinito per una rete di fitting della funzione è l’algoritmo di Levenberg-Marquardt ( 'trainlm' ). Utilizzare l'algoritmo di addestramento con regolarizzazione bayesiana e confrontare i risultati delle performance.

net = fitnet(10,'trainbr');
net = train(net,x,t);

y = net(x);
perf = perform(net,y,t)

perf = 3.3416e-10

L'algoritmo di addestramento con regolarizzazione bayesiana migliora la performance della rete in termini di stima dei valori target.

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 di fitting della funzione

Oggetto network

Rete di fitting della funzione, restituita come un oggetto network.

Suggerimenti

• Il function fitting è il processo di addestramento di una rete neurale su un set di input per produrre un set associato di output target. Dopo aver costruito la rete con i livelli nascosti desiderati e l'algoritmo di addestramento, è necessario addestrarla utilizzando un set di dati di addestramento. Una volta che la rete neurale si è adattata ai dati, crea una generalizzazione della relazione input-output. È quindi possibile utilizzare la rete addestrata per generare output per gli input su cui la rete non era stata addestrata.

Cronologia versioni

Introdotto in R2010b

R2026a: Prossima rimozione di fitnet

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

Vedi anche

fitrnet (Statistics and Machine Learning Toolbox) | trainnet | trainingOptions | dlnetwork

Argomenti

• Training Neural Networks with Tabular Data
• Transition Legacy Neural Network Code to dlnetwork Workflows