神经网络对象属性
这些属性定义一个网络的基本特性。神经网络子对象属性描述了属性,定义网络细节。
一般
这是神经网络的一般属性。
net.name
这个属性包含一个字符串定义网络名称。创建网络功能,如feedforwardnet,适当地定义这个。但它可以设置为任何字符串。
net.userdata
这个属性提供了一个用户添加自定义信息网络对象。只有一个字段是预定义的。它包含一个秘密消息对所有深度学习工具箱™用户:
net.userdata.note
体系结构
这些属性确定网络子对象的数量(包括输入层、输出目标,偏见,和权重),以及它们是如何连接的。
net.numInputs
该属性定义了网络接收输入的数量。它可以设置为0或一个正整数。
澄清。网络输入的数量和大小的网络输入不同样的事情。输入的数量定义了网络接收多少集的向量作为输入。每个输入的大小(即。在每个输入向量的元素数量)是由输入的大小(net.inputs{我}.size)。
大多数网络只有一个输入的大小是由这个问题。
副作用。任何改变,这个属性会导致改变矩阵的大小定义连接从输入层,(net.inputConnect)和单元阵列的输入子对象的大小(net.inputs)。
net.numLayers
该属性定义了网络层的数量。它可以设置为0或一个正整数。
副作用。任何改变这个属性变化的大小这些布尔矩阵定义和连接层:
net.biasConnectnet.inputConnectnet.layerConnectnet.outputConnect
每个单元阵列的大小和变化的子对象结构的大小取决于层数:
net.biasesnet.inputWeightsnet.layerWeightsnet.outputs
而且也改变了每个网络的可调参数的属性:
net.IWnet.LWnet.b
net.biasConnect
这个属性定义层有偏见。它可以设置为任何N布尔值1矩阵,Nl是网络层的数量(net.numLayers)。的存在(或缺乏)的偏见我th层是由1(或0)表示
net.biasConnect(我)
副作用。任何更改此属性改变了结构的存在与否偏见的单元阵列(net.biases的存在与否),矢量单元阵列,偏差向量(net.b)。
net.inputConnect
这个属性定义了这层权重来自输入。
它可以设置为任何Nl×N我布尔值矩阵,Nl是网络层的数量(net.numLayers),N我是网络的数量输入(net.numInputs)。重量的存在(或缺乏)去我th层的jth输入是由1(或0)表示net.inputConnect (i, j)。
副作用。任何更改此属性改变了结构的存在与否单元阵列的输入重量子对象(net.inputWeights的存在与否)和矩阵单元阵列的输入权重矩阵(net.IW)。
net.layerConnect
这个属性定义了这层权重来自其他层。它可以设置为任何Nl×Nl布尔值矩阵,Nl是网络层的数量(net.numLayers)。重量的存在(或缺乏)去我th层的jth层是由1(或0)表示
net.layerConnect (i, j)
副作用。任何更改此属性改变的存在与否的单元阵列结构层重量子对象(net.layerWeights)和矩阵的存在与否的单元阵列层权重矩阵(net.LW)。
net.outputConnect
该属性定义了网络输出层生成。它可以设置为任何1×Nl布尔值矩阵,Nl是网络层的数量(net.numLayers)。网络的存在(或缺乏)的输出我th层是由1(或0)表示net.outputConnect(我)。
副作用。任何更改此属性改变网络输出的数量(net.numOutputs的存在与否)和结构单元阵列的输出子对象(net.outputs)。
net.numOutputs(read only)
这个属性表示有多少输出网络。它总是等于1 s的数量net.outputConnect。
网。numInputDelays(只读)
这个属性表示过去的时间步骤输入的数量必须提供模拟网络。总是设置为最大时延值与网络的输入权值:
numInputDelays = 0;因为我= 1:净。numLayers j = 1:净。numInputs如果net.inputConnect (i, j) numInputDelays = max (…[numInputDelays net.inputWeights {i, j} .delays]);结束结束结束
网。numLayerDelays(只读)
这个属性表示过去的时间步数层输出必须提供模拟网络。总是设置为最大时延值与网络的任何层权重:
numLayerDelays = 0;因为我= 1:净。numLayers j = 1:净。numLayers如果net.layerConnect (i, j) numLayerDelays = max (…[numLayerDelays net.layerWeights {i, j} .delays]);结束结束结束
网。numWeightElements(只读)
这个属性表示的重量和数量偏差值在网络。它是矩阵中的元素数量的总和存储在两个细胞数组:
net.IWnew.b
子对象结构
这些属性包括细胞阵列的结构定义的每个网络的输入,层,输出,目标,偏见,和权重。
各类子对象的属性描述神经网络子对象属性。
net.inputs
这个属性保存结构的属性为每个网络的输入。它总是一个N我×1单元阵列的输入结构,N我是网络的数量输入(net.numInputs)。
结构定义的属性我网络输入位于
net.inputs{我}
如果一个神经网络只有一个输入,然后你可以访问net.inputs {1}没有单元阵列符号如下:
net.input
输入属性。看到输入输入属性的描述。
net.layers
这个属性保存结构的属性为每个网络的层。它总是一个Nl×1层单元阵列结构,Nl是网络层的数量(net.numLayers)。
结构定义的属性我层位于net.layers{我}。
层的属性。看到层图层属性的描述。
net.outputs
这个属性保存结构的属性为每个网络的输出。它总是一个1×Nl单元阵列,Nl是网络输出的数量(net.numOutputs)。
结构定义的输出的特性我th层(或零矩阵[])位于net.outputs{我}如果net.outputConnect(我)是1 (0)。
如果神经网络只有一个输出层我,然后你可以访问net.outputs{我}没有单元阵列符号如下:
net.output
输出属性。看到输出输出属性的描述。
net.biases
这个属性保存结构的属性为每个网络的偏见。它总是一个Nl×1单元阵列,Nl是网络层的数量(net.numLayers)。
结构定义偏差相关的属性我th层(或零矩阵[])位于net.biases{我}如果net.biasConnect(我)是1 (0)。
偏见的属性。看到偏见对偏差的描述属性。
net.inputWeights
这个属性保存结构的属性为每个网络的输入权值。它总是一个Nl×N我单元阵列,Nl是网络层的数量(net.numLayers),N我是网络的数量输入(net.numInputs)。
定义的属性结构重量的我th层的j输入(或零矩阵[])位于net.inputWeights {i, j}如果net.inputConnect (i, j)是1 (0)。
输入体重属性。看到输入重量输入体重属性的描述。
net.layerWeights
这个属性包含结构的属性为每个网络层的权重。它总是一个Nl×Nl单元阵列,Nl是网络层的数量(net.numLayers)。
定义的属性结构重量的我th层的jth层(或零矩阵[])位于net.layerWeights {i, j}如果net.layerConnect (i, j)是1 (0)。
层重量属性。看到层的重量重量的描述层属性。
功能
这些属性定义算法适应使用网络时,初始化,它的性能测量,或训练。
net.adaptFcn
这个属性定义函数时使用网络适应。它可以设置为任何网络适应函数的名称。网络适应函数用于执行时适应适应被称为。
(净,Y, E, Pf, Af) =适应(网、P、T,π,Ai)
为一个功能列表,类型帮助nntrain。
副作用。每当此属性改变,网络的适应参数(net.adaptParam)将包含新功能的参数和默认值。
net.adaptParam
这个属性定义了参数和当前适应值函数。调用帮助在当前适应函数得到的描述每个字段是什么意思:
帮助(net.adaptFcn)
net.derivFcn
这个属性定义导数函数用于计算误差梯度和雅克比使用监督算法训练网络时,如反向传播。你可以将此属性设置为任意阶导数函数的名称。
为一个功能列表,类型帮助nnderivative。
net.divideFcn
这个属性定义要使用的数据划分功能使用监督算法训练网络时,如反向传播。你可以设置这个属性的名称部门功能。
为一个功能列表,类型帮助nndivision。
副作用。每当此属性改变,网络的适应参数(net.divideParam)将包含新功能的参数和默认值。
net.divideParam
该属性定义了当前数据部分函数的参数和值。每个字段的含义的描述,输入以下命令:
帮助(net.divideFcn)
net.divideMode
这个属性定义了目标数据维度来划分数据函数被调用。它的默认值是“样本”为静态网络和“时间”动态网络。它也可以被设置为“sampletime”目标除以样本和步伐,“所有”由每一个标量值,分割目标“没有”不分割数据(在这种情况下,所有的数据都是用于培训,没有进行验证或测试)。
net.initFcn
该属性定义了函数用于初始化网络的权重向量矩阵和偏见。。初始化函数用于初始化网络时初始化被称为:
净= init(净)
副作用。每当此属性改变,网络的初始化参数(net.initParam)将包含新功能的参数和默认值。
net.initParam
这个属性定义了参数和当前的值初始化函数。调用帮助在当前初始化函数得到的描述每个字段是什么意思:
帮助(net.initFcn)
net.performFcn
该属性定义了函数用来测量网络的性能。性能函数是用来计算在训练时网络性能火车被称为。
(净,tr) =火车(网、P、T,π,Ai)
为一个功能列表,类型帮助nnperformance。
副作用。此属性改变时,网络的性能参数(net.performParam)将包含新功能的参数和默认值。
net.performParam
该属性定义了当前性能函数的参数和值。调用帮助在当前性能函数得到的描述每个字段是什么意思:
帮助(net.performFcn)
net.plotFcns
这个属性包含一个字符串的行单元阵列,定义与网络相关的情节功能。神经网络训练窗口,它是打开的火车功能,为每个绘图函数显示一个按钮。单击按钮培训期间或之后打开所需的阴谋。
net.plotParams
这个属性包含一个行单元阵列结构,定义每个情节的参数和值函数net.plotFcns。调用帮助在每个情节函数得到的描述每个字段是什么意思:
帮助(net.plotFcns{我})
net.trainFcn
该属性定义了函数用于训练网络。它可以设置为任何的培训功能的名称,用于训练网络时火车被称为。
(净,tr) =火车(网、P、T,π,Ai)
为一个功能列表,类型帮助nntrain。
副作用。每当此属性改变,网络的训练参数(net.trainParam)将包含新功能的参数和默认值。
net.trainParam
这个属性定义当前训练函数的参数和值。调用帮助在当前训练函数得到的描述每个字段是什么意思:
帮助(net.trainFcn)
重量和偏差值
这些属性定义网络的可调参数:它的重量向量矩阵和偏见。
net.IW
这个属性定义了权重矩阵的权重从网络输入层。它总是一个Nl×N我单元阵列,Nl是网络层的数量(net.numLayers),N我是网络的数量输入(net.numInputs)。
重量要权重矩阵我th层的j输入(或零矩阵[])位于net.IW {i, j}如果net.inputConnect (i, j)是1(或0)。
权重矩阵有尽可能多的行层的大小去(net.layers{我}.size)。它有尽可能多的列输入的产品尺寸与延误的数量与重量:
net.inputs {j}。大小*长度(net.inputWeights {i, j} .delays)
预处理功能net.inputs{我}.processFcns被指定为“removeconstantrows”默认情况下在某些网络。在这种情况下,如果网络输入X包含米行,所有行元素有相同的值,矩阵有重量米列比上面的产品。更详细的网络输入X,请参阅火车。
这些维度也可以获得从输入重量属性:
net.inputWeights {i, j} .size
net.LW
这个属性定义了权重矩阵的权重将层从其他层。它总是一个Nl×Nl单元阵列,Nl是网络层的数量(net.numLayers)。
重量要权重矩阵我th层的jth层(或零矩阵[])位于net.LW {i, j}如果net.layerConnect (i, j)是1 (0)。
权重矩阵有尽可能多的行层的大小去(net.layers{我}.size)。它有尽可能多的列的产物层的大小它来自与延误的数量与重量:
net.layers {j}。大小*长度(net.layerWeights {i, j} .delays)
这些维度也可以从层获得重量属性:
net.layerWeights {i, j} .size
net.b
这个属性定义每一层有偏见的偏差向量。它总是一个Nl×1单元阵列,Nl是网络层的数量(net.numLayers)。
偏差向量为我th层(或零矩阵[])位于net.b{我}如果net.biasConnect(我)是1 (0)。
元素的数量偏差向量总是等于层的大小与(net.layers{我}.size)。
这个维度也可以从偏见获得属性:
net.biases{我}.size
