Matlab神经网络函数newff()新旧用法差异
声明!!!转载自: http://www.cnblogs.com/xxfcz/p/4482813.html
摘要
在Matlab R2010a版中,如果要创建一个具有两个隐含层、且神经元数分别为5、3的前向BP网络,使用旧的语法可以这样写:
net1 = newff(minmax(P), [5 3 1]);
注意minmax()函数的使用,还有对输出层神经元数(1)的指定。
当然也可以采用新的语法,更简洁(请留意差异):
net2 = newff(P, T, [5 3]);
不用求minmax,也不用人工指定输出层神元数了(newff会根据参数T自行推导)。
不过,为了得到与书本示例接近的结果,接下来需要清除net2.divideFcn等属性再训练,否则结果相去甚远,且远不止一个数量级。
net2.divideFcn = '';
net2.inputs{1}.processFcns = {}; % 1是输入层所在网络层编号
net2.outputs{3}.processFcns = {}; % 3 是输出层所在网络层编号
正文
最近在看朱凯的《精通Matlab神经网络》,到第10章例10-3时,发现newff()的新旧用法得到的结果相去甚远。
书中例10-3采用了旧式写法,代码如下:
% 例10-3,旧式写法 clear all P = [-1 -1 2 2; 0 5 0 5]; T = [-1 -1 2 2]; %% 旧式语法 net1 = newff(minmax(P),[5 1],{'tansig', 'purelin'}, 'traingd'); % 隐含层有5个神经元 net1.trainParam.goal = 1e-5; net1.trainParam.epochs = 300; net1.trainParam.lr = 0.05; net1.trainParam.showWindow = 1; net1= train(net1,P,T); Y1 = sim(net1,P); disp(['旧式语法 mse: ' num2str(mse(T-Y1))]); |
训练窗口最终如下:
程序输出如下:
Warning: NEWFF used in an obsolete way. > In nntobsu at 18 In newff at 86 See help for NEWFF to update calls to the new argument list. 旧式语法 mse: 9.8073e-006 |
很明显,达到了设定的1e-5的目标。
不过我们也收到了警告,建议我们采用新的参数列表。于是查帮助,改成新的写法,代码如下:
% 例10-3,新式写法 clear all P = [-1 -1 2 2; 0 5 0 5]; T = [-1 -1 2 2]; %% 新式语法 net2 = newff(P,T,5,{'tansig', 'purelin'}, 'traingd'); % 隐含层有5个神经元 net2.trainParam.goal = 1e-5; net2.trainParam.epochs = 300; net2.trainParam.lr = 0.05; net2.trainParam.showWindow = 1; net2 = train(net2,P,T); Y2 = sim(net2,P); disp(['新式语法 mse: ' num2str(mse(T-Y2))]); |
训练窗口:
程序输出:
新式语法 mse: 10.7499 |
可见,远远没有达到1e-5的目标。
这是为什么呢?QQ群咨询无果,无奈之下自行研究源码。
newff.m分成三大块:主程序、新版实现子函数 new_5p1()、旧版实现子函数 new_5p0()。通过仔细比较新旧这两个子函数,发现新版设置了 net.divideFcn 属性,其值为'dividerand'。该函数把样本数据三分为训练集、验证集和测试集,默认比例是6:2:2。于是在我的程序中清除该属性再训练:
% 例10-3,新写法,改进 clear all P = [-1 -1 2 2; 0 5 0 5]; T = [-1 -1 2 2]; %% 新式语法 net2 = newff(P,T,5,{'tansig', 'purelin'}, 'traingd'); % 隐含层有5个神经元 net2.trainParam.goal = 1e-5; net2.trainParam.epochs = 300; net2.trainParam.lr = 0.05; net2.trainParam.showWindow = 1; net2.divideFcn = ''; % 为和书本一致,对于样本极少的情况,不要再三分了 net2 = train(net2,P,T); Y2 = sim(net2,P); disp(['新式语法,改进 mse: ' num2str(mse(T-Y2))]); |
训练窗口:
程序输出:
新式语法,改进 mse: 9.8129e-006 |
也达到了预期目标。
其实,新旧两次的训练窗口和Performance窗口也可以发现端倪的,此处不再细说,请各位看官自行对比。
当然,至于新版为什么要引入divideFcn必有其道理,我是初学者,有所揣测暂不表,先跟着书走。
Matlab神经网络函数newff()新旧用法差异相关推荐
- matlab newff函数弃用了,MATLAB神经网络函数NEWFF()新旧用法差异
摘要 在Matlab R2010a版中,如果要创建一个具有两个隐含层.且神经元数分别为5.3的前向BP网络,使用旧的语法可以这样写: net1 = newff(minmax(P), [5 3 1]); ...
- matlab newff函数弃用了,[转载]MATLAB神经网络函数NEWFF()新旧用法差异
摘要 在Matlab R2010a版中,如果要创建一个具有两个隐含层.且神经元数分别为5.3的前向BP网络,使用旧的语法可以这样写: net1 = newff(minmax(P), [5 3 1]); ...
- newff新旧用法/minmax函数的用法
1,newff函数参数说明 net = newff(P,T,S) % 这两种定义都可以 net = newff(P,T,S,TF,BTF,BLF,PF,IPF,OPF,DDF) P:输入参数矩阵.(R ...
- MATLAB中newff新旧区别
今天为了创建一个BP网络,于是使用newff函数,因为目前现在的matlab支持新的newff函数,如果继续使用旧的newff函数会导致warning,而且新的newff函数有很多方便之处. 首先,函 ...
- Matlab传统神经网络函数:Newff的使用方法记录
newff,已经过时,新函数feedforwardnet似乎可以分割training set和testing set,实验中不想要这个功能,所以暂时还是使用习惯的newff,等有时间再熟悉新函数. n ...
- matlab神经网络函数
1.设计函数 solvein 设计线性网络: solverb 设计径向基网络: solverbe 设计精确的径向 ...
- matlab神经网络函数(feedforwardnet,fitnet,patternet)
feedforwardnet (): 综述:包含一系列的层次.第一层与网络输入连接.接下来的层次与上一次连接.最后一层产生网络的输出.feedforward网络可以用作输入和输出的映射,只含有一个隐含 ...
- matlab feedforward,matlab神经网络函数feedforwardnet构造的网络数学模型是啥
clc;clear all;close %% 线性系统x(k+1)=A*x(k)+B*u(k)参数(A,B) A=[1 1;-1 1]; B=[0.1; 1]; %% 神经网络训练参数 N=1000; ...
- MATLAB中内置的BP神经网络函数 help newff翻译【学习笔记】
MATLAB中内置的BP神经网络函数 help翻译 原文请参考:help newff newff 创建前馈反向传播网络. 在 R2010b NNET 7.0 中已过时. 最后在 R2010a NNET ...
最新文章
- 手机连接服务器数据库文件,手机连接服务器数据库文件夹
- python 选择结构教学设计_初中信息技术_信息技术初一下册《Python选择结构if-else》教学设计学情分析教材分析课后反思...
- P3812 【模板】线性基
- 自定义应用Crash时系统显示的对话框
- Ext.ClassManager源码
- Nginx(一)-- 初体验
- AS5047P磁编码器ESP32驱动程序、硬件电路设计、SPI通信时序、逻辑波形分析、注意事项
- toad for mysql调试存储过程_【oracle】oracle 调试 存储过程
- k8s升级,HA集群1.12.0~HA集群1.13.2
- 标签传播算法(半监督图算法)
- ESP32-C3入门教程 IoT篇⑤——阿里云 物联网平台 EspAliYun RGB LED 实战之设备生产流程
- jquery foreach循环
- JZOJ 7.10B组第一题 可见点数
- python中fp是什么意思_详解python实现FP-TREE进行关联规则挖掘(带有FP树显示功能)附源代码下载(3)...
- 『软件测试4』耗子尾汁!2021年了,你还不知道这4种白盒测试方法吗?
- uni-app的生命周期说明及平台差异性说明
- Linux平台下动态链接库.so转换成windiws平台下.dll文件并使用python调用
- 知网论文免费下载,请速度存好!
- 区块链跨链是如何进行验证的?
- 第2节 网络及IP地址详解