在工作区中这些文件是什么?

5视图(30天)

显示旧的评论

Habibul Aqil 2021年3月5日

0
链接

这个问题直接联系

//www.tianjin-qmedu.com/matlabcentral/answers/763651-what-are-these-files-in-the-workspace

评论道: Habibul Aqil2021年3月11日

答:接受 Nagasai巴拉特

大家好。我新深度学习工具箱(nprtool)的模式识别。有人能帮我翻译这些变量代表是什么在我的工作区(除了hiddenLayerSize, trainFCN、数据data_1 textdata textdata_1因为我知道那些是什么),我最终得到所有这些数据吗?显然这些都是生成后运行我的神经网络。希望有人能给我解释一下。提前谢谢。

4评论
显示3年长的评论隐藏3年长的评论

Habibul Aqil 2021年3月11日

编辑:Habibul Aqil 2021年3月11日

确定。你也可以告诉我的“e”代表什么以及为什么它需要减去“t”“y”?

                                %解决模式识别问题的神经网络
                               
                                %脚本生成的神经模式识别应用
                               
                                % 19 - 2月- 2021 12:46:05创建
                               
                                %
                               
                                %这个脚本假设这些变量定义:
                               
                                %
                               
                                %数据——输入数据。
                               
                                % data_1——目标数据。
                               
                                x =数据”;
                               
                                t = data_1 ';
                               
                                %选择培训功能
                               
                                %为所有培训功能的列表类型:帮助nntrain
                               
                                %的trainlm通常是最快的。
                               
                                %的trainbr花费更长的时间,但是这可能是更好的具有挑战性的问题。
                               
                                %的trainscg使用更少的内存。在低内存的情况下适用。
                               
                                trainFcn =“trainscg”;%比例共轭梯度反向传播。
                               
                                %创建一个模式识别网络
                               
                                hiddenLayerSize = 50;
                               
                                网= patternnet (hiddenLayerSize trainFcn);
                               
                                %选择输入和输出前/后处理功能
                               
                                %对所有处理功能的列表类型:帮助nnprocess
                               
                                net.input。processFcns = {“removeconstantrows”,“mapminmax”};
                               
                                %设置部门的数据进行训练、验证测试
                               
                                %为所有数据部门功能的列表类型:帮助nndivision
                               
                                网。divideFcn =“dividerand”;%将随机数据
                               
                                网。divideMode =“样本”;%划分每个样本
                               
                                net.divideParam。trainRatio = 70/100;
                               
                                net.divideParam。valRatio = 15/100;
                               
                                net.divideParam。testRatio = 15/100;
                               
                                %选择性能函数
                               
                                %为所有性能函数的列表类型:帮助nnperformance
                               
                                网。performFcn =“crossentropy”;%叉
                               
                                %选择情节功能
                               
                                %的所有情节功能类型:帮助nnplot
                               
                                网。plotFcns = {“plotperform”,“plottrainstate”,“ploterrhist”,…
                               
                                “plotconfusion”,“plotroc”};
                               
                                %训练网络
                               
                                (净,tr) =火车(净,x, t);
                               
                                %测试网络
                               
                                y =净(x);
                               
                                e = gsubtract (t、y);
                               
                                性能=执行(净、t、y)
                               
                                点燃= vec2ind (t);
                               
                                yind = vec2ind (y);
                               
                                percentErrors =总和(点燃~ = yind) /元素个数(点燃);
                               
                                %计算训练、验证和测试性能
                               
                                trainTargets = t。* tr.trainMask {1};
                               
                                valTargets = t。* tr.valMask {1};
                               
                                testTargets = t。* tr.testMask {1};
                               
                                trainPerformance =执行(净trainTargets y)
                               
                                valPerformance =执行(净valTargets y)
                               
                                testPerformance =执行(净testTargets y)
                               
                                %查看网络
                               
                                视图(净)
                               
                                %的情节
                               
                                %取消这些线,使各种各样的情节。
                               
                                %,plotperform (tr)
                               
                                %,plottrainstate (tr)
                               
                                %,ploterrhist (e)
                               
                                %,plotconfusion (t, y)
                               
                                %,plotroc (t, y)
                               
                                %的部署
                               
                                变化百分比(假)值(真),使下面的代码块。
                               
                                %的更多信息,请参见每一代的帮助功能。
                               
                                如果(假)
                               
                                %为应用程序生成MATLAB函数神经网络
                               
                                %部署在MATLAB脚本或MATLAB编译器和生成器
                               
                                %的工具,或者只是检查计算你的训练有素的神经
                               
                                %网络执行。
                               
                                genFunction(净,“myNeuralNetworkFunction”);
                               
                                y = myNeuralNetworkFunction (x);
                               
                                结束
                               
                                如果(假)
                               
                                %为神经网络代码生成matrix-only MATLAB函数
                               
                                %与MATLAB编码器工具生成。
                               
                                genFunction(净,“myNeuralNetworkFunction”,“MatrixOnly”,“是的”);
                               
                                y = myNeuralNetworkFunction (x);
                               
                                结束
                               
                                如果(假)
                               
                                %为模拟或部署与生成模型图万博1manbetx。
                               
                                %仿万博1manbetx真软件编码器工具。
                               
                                gensim(净);
                               
                                结束