admin管理员组文章数量:1530925
2024年3月3日发(作者:)
静态网络中的批处理方式
批处理方式可以用adapt或train函数来实现,虽然由于由于采用了更高效的学习算
法,train通常是最好的选择。增加方式只能用adapt来实现,train函数只能用于批处理
方式。
让我们用前面用过的静态网络的例子开始,学习速率设置为0.1。
net = newlin([-1 1;-1 1],1,0,0.1);
{1,1} = [0 0];
net.b{1} = 0;
用adapt函数实现静态网络的批处理方式,输入向量必须用同步向量矩阵的方式放置
:
P = [1 2 2 3; 2 1 3 1];
T = [4 5 7 7];
当我们调用adapt时将触发adaptwb函数,这是缺省的线性网络调整函数。learnwh是
缺省的权重和偏置学习函数。因此,Widrow-Hoff学习法将会被使用:
[net,a,e,pf] = adapt(net,P,T);
a = 0 0 0 0
e = 4 5 7 7
注意网络的输出全部为0,因为在所有要训练的数据提交前权重没有被更新,如果我
们显示权重,我们就会发现:
>>{1,1}
ans = 4.9000 4.1000
>>net.b{1}
ans =
2.3000
经过了用adapt函数的批处理方式调整,这就和原来不一样了。
现在用train函数来实现批处理方式。由于Widrow-Hoff规则能够在增加方式和批处
理方式中应用,它可以通过adapt和train触发。我们有好几种算法只能用于批处理方式
(特别是Levenberg-Marquardt算法),所以这些算法只能用train触发。
网络用相同的方法建立:
net = newlin([-1 1;-1 1],1,0,0.1);
{1,1} = [0 0];
net.b{1} = 0;
在这种情况下输入向量即能用同步向量矩阵表示也能用异步向量细胞数组表示。用
train函数,任何异步向量细胞数组都会转换成同步向量矩阵。这是因为网络是静态的,
并且因为train总是在批处理方式中使用。因为MATLAB实现同步模式效率更高,所以只要
可能总是采用同步模式处理。
P = [1 2 2 3; 2 1 3 1];
T = [4 5 7 7];
现在我们开始训练网络。由于我们只用了一次adapt,我们这里训练它一次。缺省的
线性网络训练函数是trainwb。learnwh是缺省的权重和偏置学习函数。因此,我们应该
和前面缺省调整函数是adaptwb的例子得到同样的结果。
eights{1,1}. = 0.1;
{1}. = 0.1;
= 1;
net = train(net,P,T);
经过一次训练后,我们显示权重发现:
>>{1,1}
ans = 4.9000 4.1000
>>net.b{1}
ans =
2.3000
这和用adapt训练出来的结果是一样的。在静态网络中,adapt函数能够根据输入数
据格式的不同应用于增加方式和批处理方式。如果数据用同步向量矩阵方式输入就用批
处理方式训练;如果数据用异步方式输入就用增加方式。但这对于train函数行不通,无
论输入格式如何,它总是采用批处理方式。
动态网络中的增加方式
训练静态网络相对要简单一些。如果我们用train训练网络,即使输入是异步向量细
胞数组,它也是转变成同步向量矩阵而采用批处理方式。如果我们用adapt。输入格式决
定着网络训练方式。如果传递的是序列,网络用增加方式,如果传递的是同步向量就采
用批处理方式。
在动态网络中,批处理方式只能用train完成,特别是当仅有一个训练序列存在时。
为了说明清楚,让我们重新考虑那个带延迟的线性网络。我们把学习速率设为0.02(当
我们采用梯度下降算法时,我们要用比增加方式更小的学习速率,应为所有的分立的梯
度都要在决定权重改变步进之前求和)
net = newlin([-1 1],1,[0 1],0.02);
{1,1}=[0 0];
nnect=0;
= 1;
Pi = {1};
P = {2 3 4};
T = {3 5 6};
我们用以前增加方式训练过的那组数据训练,但是这一次我们希望只有在所有数据
都提交后才更新权重(批处理方式)。因为输入是一个序列,网络将用异步模式模拟。
但是权重将用批处理方式更新。
net=train(net,P,T,Pi);
经过一次训练后,权重值为:
>>{1,1}
ans = 0.9000 0.6200
这里的权重值和我们用增加方式得到的不同。在增加方式中,通过训练设置,一次
训练可以更新权重三次。在批处理方式中,每次训练只能更新一次。
第三章 反向传播网络(BP网络)
1.概述
前面介绍了神经网络的结构和模型,在实际应用中,我们用的最广泛的是反向传播
网络(BP网络)。下面就介绍一下BP网络的结构和应用。
BP网络是采用Widrow-Hoff学习算法和非线性可微转移函数的多层网络。一个典型的
BP网络采用的是梯度下降算法,也就是Widrow-Hoff算法所规定的。backpropagation就
是指的为非线性多层网络计算梯度的方法。现在有许多基本的优化算法,例如变尺度算
法和牛顿算法。神经网络工具箱提供了许多这样的算法。这一章我们将讨论使用这些规
则和这些算法的优缺点。
一个经过训练的BP网络能够根据输入给出合适的结果,虽然这个输入并没有被训练
过。这个特性使得BP网络很适合采用输入/目标对进行训练,而且并不需要把所有可能的
输入/目标对都训练过。为了提高网络的适用性,神经网络工具箱提供了两个特性--规则
化和早期停止。这两个特性和用途我们将在这一章的后面讨论。这一章还将讨论网络的
预处理和后处理技术以提高网络训练效率。
2.基础
网络结构
神经网络的结构前一章已详细讨论过,前馈型BP网络的结构结构和它基本相同,这
里就不再详细论述了,这里着重说明以下几点:
1. 常用的前馈型BP网络的转移函数有logsig,tansig,有时也会用到线性函数pu
relin。当网络的最后一层采用曲线函数时,输出被限制在一个很小的范围内,如果采用
线性函数则输出可为任意值。以上三个函数是BP网络中最常用到的函数,但是如果需要
的话你也可以创建其他可微的转移函数。
2. 在BP网络中,转移函数可求导是非常重要的,tansig、logsig和purelin都有对
应的导函数dtansig、dlogsig和dpurelin。为了得到更多转移函数的导函数,你可以带
字符"deriv"的转移函数:
tansig('deriv')
ans = dtansig
网络构建和初始化
训练前馈网络的第一步是建立网络对象。函数newff建立一个可训练的前馈网络。这
需要4个输入参数。第一个参数是一个Rx2的矩阵以定义R个输入向量的最小值和最大值。
第二个参数是一个颟顸每层神经元个数的数组。第三个参数是包含每层用到的转移函数
名称的细胞数组。最后一个参数是用到的训练函数的名称。
举个例子,下面命令将创建一个二层网络,其网络模型如下图所示。
它的输入是两个元素的向量,第一层有三个神经元,第二层有一个神经元。第一层
的转移函数是tan-sigmoid,输出层的转移函数是linear。输入向量的第一个元素的范围
是-1到2,输入向量的第二个元素的范围是0到5,训练函数是traingd。
net=newff([-1 2; 0 5],[3,1],{'tansig','purelin'},'traingd');
这个命令建立了网络对象并且初始化了网络权重和偏置,因此网络就可以进行训练
了。我们可能要多次重新初始化权重或者进行自定义的初始化。下面就是初始化的详细
步骤。
在训练前馈网络之前,权重和偏置必须被初始化。初始化权重和偏置的工作用命令
init来实现。这个函数接收网络对象并初始化权重和偏置后返回网络对象。下面就是网
络如何初始化的:
net = init(net);
我们可以通过设定网络参数n和{i}.initFcn这一技巧来初始化
一个给定的网络。net. initFcn用来决定整个网络的初始化函数。前馈网络的缺省值为
initlay,它允许每一层用单独的初始化函数。设定了n ,那么参数
er{i}.initFcn 也要设定用来决定每一层的初始化函数。
对前馈网络来说,有两种不同的初始化方式经常被用到:initwb和initnw。initwb
函数根据每一层自己的初始化参数(eights{i,j}.initFcn)初始化权重矩阵和
偏置。前馈网络的初始化权重通常设为rands,它使权重在-1到1之间随机取值。这种方
式经常用在转换函数是线性函数时。initnw通常用于转换函数是曲线函数。它根据Nguy
en和Widrow[NgWi90]为层产生初始权重和偏置值,使得每层神经元的活动区域能大致平
坦的分布在输入空间。它比起单纯的给权重和偏置随机赋值有以下优点:(1)减少神经
元的浪费(因为所有神经元的活动区域都在输入空间内)。(2)有更快的训练速度(因
为输入空间的每个区域都在活动的神经元范围中)。
初始化函数被newff所调用。因此当网络创建时,它根据缺省的参数自动初始化。i
nit不需要单独的调用。可是我们可能要重新初始化权重和偏置或者进行自定义的初始化
。例如,我们用newff创建的网络,它缺省用initnw来初始化第一层。如果我们想要用r
ands重新初始化第一层的权重和偏置,我们用以下命令:
{1}.initFcn = 'initwb';
eights{1,1}.initFcn = 'rands';
{1,1}.initFcn = 'rands';
{2,1}.initFcn = 'rands';
net = init(net);
网络模拟(SIM)
函数sim 模拟一个网络。sim 接收网络输入p,网络对象net,返回网络输出a,这里
是simuff用来模拟上面建立的带一个输入向量的网络。
p = [1;2];
a = sim(net,p)
a =
-0.1011
(用这段代码得到的输出是不一样的,这是因为网络初始化是随机的。)
下面调用sim来计算一个同步输入3向量网络的输出:
p = [1 3 2;2 4 1];
a=sim(net,p)
a =
-0.1011 -0.2308 0.4955
网络训练
一旦网络加权和偏差被初始化,网络就可以开始训练了。我们能够训练网络来做函
数近似(非线性 后退),模式结合,或者模式分类。训练处理需要一套适当的网络操作
的例子--网络输入p和目标输出t。在训练期间网络的加权和偏差不断的把网络性能函数
mFcn减少到最小。前馈网络的缺省性能函数是均方误差mse--网络输出和目
标输出t之间的均方误差。这章的余项将描述几个对前馈网络来说不同的训练算法。所有
这些算法都用性能函数的梯度来决定怎样把权重调整到最佳。梯度由叫做反向传播的技
术决定,它要通过网络实现反向计算。反向传播计算源自使用微积分的链规则。基本的
反向传播算法的权重沿着梯度的负方向移动,这将在下一节讲述。以后的章节将讲述更
复杂的算法以提高收敛速度。
反向传播算法
反向传播算法中有许多变量,这一章将讨论其中的一些。反向传播学习算法最简单
的应用是沿着性能函数最速增加的方向--梯度的负方向更新权重和偏置。这种递归算法
可以写成:
xk+1 = xk- a k g k
这里xk是当前权重和偏置向量,g k是当前梯度,a k是学习速率。有两种不同的办
法实现梯度下降算法:增加模式和批处理模式。在增加模式中,网络输入每提交一次,
梯度计算一次并更新权重。在批处理模式中,当所有的输入都被提交后网络才被更新。
下面两节将讨论增加模式和批处理模式。
增加模式训练法(ADAPT)
函数adapt用来训练增加模式的网络,它从训练设置中接受网络对象、网络输入和目
标输入,返回训练过的网络对象、用最后的权重和偏置得到的输出和误差。
这里有几个网络参数必须被设置,第一个是cn,它决定使用哪一种增加
模式函数,缺省值为adaptwb,这个值允许每一个权重和偏置都指定它自己的函数,这些
单个的学习函数由参数{i,j}.learnFcn、eights{i,j}.learnFcn
、 eights{i,j}.learnFcn和Gradient Descent (LEARDGD)来决定。对于基本
的梯度最速下降算法,权重和偏置沿着性能函数的梯度的负方向移动。在这种算法中,
单个的权重和偏置的学习函数设定为"learngd"。下面的命令演示了怎样设置前面建立的
前馈函数参数:
{1,1}.learnFcn = 'learngd';
{2,1}.learnFcn = 'learngd';
eights{2,1}.learnFcn = 'learngd';
eights{1,1}.learnFcn = 'learngd';
函数learngd有一个相关的参数--学习速率lr。权重和偏置的变化通过梯度的负数乘
上学习速率倍数得到。学习速率越大,步进越大。如果学习速率太大算法就会变得不稳
定。如果学习速率太小,算法就需要很长的时间才能收敛。当learnFcn设置为learngd时
,就为每一个权重和偏置设置了学习速率参数的缺省值,如上面的代码所示,当然你也
可以自己按照意愿改变它。下面的代码演示了把层权重的学习速率设置为0.2。我们也可
以为权重和偏置单独的设置学习速率。
eights{2,1}.= 0.2;
为有序训练设置的最后一个参数是,它决定在训练过程中训
练值重复的次数。这里设置重复次数为200
= 200;
现在我们就可以开始训练网络了。当然我们要指定输入值和目标值如下所示:
p = [-1 -1 2 2;0 5 0 5];
t = [-1 -1 1 1];
如果我们要在每一次提交输入后都更新权重,那么我们需要将输入矩阵和目标矩阵
转变为细胞数组。每一个细胞都是一个输入或者目标向量。
p = num2cell(p,1);
t = num2cell(t,1);
现在就可以用adapt来实现增加方式训练了:
[net,a,e]=adapt(net,p,t);
训练结束以后,我们就可以模拟网络输出来检验训练质量了。
a = sim(net,p)
a =
[-0.9995] [-1.0000] [1.0001] [1.0000]
带动力的梯度下降法(LEARDGDM)
除了learngd以外,还有一种增加方式算法常被用到,它能提供更快的收敛速度--l
earngdm,带动量的最速下降法。动力允许网络不但根据当前梯度而且还能根据误差曲面
最近的趋势响应。就像一个低通滤波器一样,动量允许网络忽略误差曲面的小特性。没
有动量,网络又可能在一个局部最小中被卡住。有了动量网络就能够平滑这样的最小。
动量能够通过把权重变得与上次权重变化的部分和由算法规则得到的新变化的和相同而
加入到网络学习中去。上一次权重变化对动量的影响由一个动量常数来决定,它能够设
为0到1之间的任意值。当动量常数为0时,权重变化之根据梯度得到。当动量常数为1时
新的权重变化等于上次的权重变化,梯度值被忽略了。
Learngdm函数有上面所示的learngd函数触发,除非mc和lr学习参数都被设置了。由
于每一个权重和偏置有它自己的学习参数,每一个权重和偏置都可以用不同的参数。
下面的命令将用lerangdm为前面建立的用增加方式训练的网络设置缺省的学习参数
:
{1,1}.learnFcn = 'learngdm';
{2,1}.learnFcn = 'learngdm';
eights{2,1}.learnFcn = 'learngdm';
eights{1,1}.learnFcn = 'learngdm';
[net,a,e]=adapt(net,p,t);
批处理训练方式
训练的另一种方式是批处理方式,它由函数train触发。在批处理方式中,当整个训
练设置被应用到网络后权重和偏置才被更新。在每一个训练例子中的计算的梯度加在一
起来决定权重和偏置的变化。
批处理梯度下降法(TRAINGD)
与增加方式的学习函数learngd等价的函数是traingd,它是批处理形式中标准的最
速下降学习函数。权重和偏置沿着性能函数的梯度的负方向更新。如果你希望用批处理
最速下降法训练函数,你要设置网络的trainFcn为traingd,并调用train函数。不像以
前章节的学习函数,它们要单独设置权重矩阵和偏置向量,这一次给定的网络只有一个
学习函数。
Traingd有几个训练参数:epochs,show,goal,time,min_grad,max_fail和lr。这里
的学习速率和lerangd的意义是一样的。训练状态将每隔show次显示一次。其他参数决定
训练什么时候结束。如果训练次数超过epochs,性能函数低于goal,梯度值低于mingrad
或者训练时间超过time,训练就会结束。
下面的代码将重建我们以前的网络,然后用批处理最速下降法训练网络。(注意用
批处理方式训练的话所有的输入要设置为矩阵方式)
net=newff([-1 2; 0 5],[3,1],{'tansig','purelin'},'traingd');
= 50;
= 0.05;
= 300;
= 1e-5;
p = [-1 -1 2 2;0 5 0 5];
t = [-1 -1 1 1];
net=train(net,p,t);
TRAINGD, Epoch 0/300, MSE 1.59423/1e-05, Gradient 2.76799/
1e-10
TRAINGD, Epoch 50/300, MSE 0.00236382/1e-05, Gradient
0.0495292/1e-10
TRAINGD, Epoch 100/300, MSE 0.000435947/1e-05, Gradient
0.0161202/1e-10
TRAINGD, Epoch 150/300, MSE 8.68462e-05/1e-05, Gradient
0.00769588/1e-10
TRAINGD, Epoch 200/300, MSE 1.45042e-05/1e-05, Gradient
0.00325667/1e-10
TRAINGD, Epoch 211/300, MSE 9.64816e-06/1e-05, Gradient
0.00266775/1e-10
TRAINGD, Performance goal met.
a = sim(net,p)
a =
-1.0010 -0.9989 1.0018 0.9985
用nnd12sd1来演示批处理最速下降法的性能。
带动量的批处理梯度下降法(TRAINGDM)
带动量的批处理梯度下降法用训练函数traingdm触发。这种算法除了两个例外和le
armgdm是一致的。第一.梯度是每一个训练例子中计算的梯度的总和,并且权重和偏置
仅仅在训练例子全部提交以后才更新。第二.如果在给定重复次数中新的性能函数超过
了以前重复次数中的性能函数的预定义速率max_perf_inc(典型的是1.04)倍,那么新的
权重和偏置就被丢弃,并且动量系数mc就被设为0。
在下面的代码重,我们重建了以前的网络并用带动量的梯度下降算法重新训练。Tr
aingdm的训练参数和traingd的一样,动量系数mc和性能最大增量max_perf_inc也是如此
。(无论什么时候,只要cn倍设为traingdm,训练参数就被设为缺省值。)
net=newff([-1 2; 0 5],[3,1],{'tansig','purelin'},'traingdm');
= 50;
= 0.05;
= 0.9;
= 300;
= 1e-5;
p = [-1 -1 2 2;0 5 0 5];
t = [-1 -1 1 1];
net=train(net,p,t);
TRAINGDM, Epoch 0/300, MSE 3.6913/1e-05, Gradient 4.54729/
1e-10
TRAINGDM, Epoch 50/300, MSE 0.00532188/1e-05, Gradient
0.213222/1e-10
TRAINGDM, Epoch 100/300, MSE 6.34868e-05/1e-05, Gradient
0.0409749/1e-10
TRAINGDM, Epoch 114/300, MSE 9.06235e-06/1e-05, Gradient
0.00908756/1e-10
TRAINGDM, Performance goal met.
a = sim(net,p)
a =
-1.0026 -1.0044 0.9969 0.9992
注意,既然我们在训练前重新初始化了权重和偏置,我们就得到了一个和使用trai
ngd不同的均方误差。如果我们想用traingdm重新初始化并且重新训练,我们仍将得到不
同的军方误差。初始化权重和偏置的随机选择将影响算法的性能。如果我们希望比较不
同算法的性能,我们应该测试每一个使用着的不同的权重和偏值的设置。
用nnd12mo来演示批处理最速下降法的性能。
版权声明:本文标题:Matlab的神经网络工具箱实用指南(3) 内容由热心网友自发贡献,该文观点仅代表作者本人, 转载请联系作者并注明出处:https://m.elefans.com/dianzi/1709477729a227844.html, 本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容,一经查实,本站将立刻删除。
发表评论