Main Content

La traducción de esta página aún no se ha actualizado a la versión más reciente. Haga clic aquí para ver la última versión en inglés.

cascadeforwardnet

Generar una red neuronal prealimentada en cascada

Descripción

ejemplo

net = cascadeforwardnet(hiddenSizes,trainFcn) devuelve una red neuronal prealimentada en cascada con un tamaño de la capa oculta de hiddenSizes y una función de entrenamiento especificada por trainFcn.

Las redes prealimentadas en cascada son similares a las redes prealimentadas, pero incluyen una conexión desde la entrada y cada capa anterior con las capas siguientes.

Igual que en las redes prealimentadas, una red en cascada de dos o más capas puede aprender cualquier relación entrada-salida finita arbitrariamente bien si cuenta con suficientes neuronas ocultas.

Ejemplos

contraer todo

Este ejemplo muestra cómo usar una red neuronal prealimentada en cascada para resolver un problema sencillo.

Cargue los datos de entrenamiento.

[x,t] = simplefit_dataset;

La matriz de 1 por 94 x contiene los valores de entrada, y la matriz de 1 por 94 t contiene los valores de salida objetivo asociados.

Cree una red prealimentada en cascada con una capa oculta con un tamaño de 10.

net = cascadeforwardnet(10);

Entrene la red net usando los datos de entrenamiento.

net = train(net,x,t);

Figure Neural Network Training (03-Apr-2023 08:00:43) contains an object of type uigridlayout.

Visualice la red entrenada.

view(net)

Estime los objetivos usando la red entrenada.

y = net(x);

Evalúe el rendimiento de la red entrenada. La función de rendimiento predeterminada es el error cuadrático medio.

perf = perform(net,y,t)
perf = 1.9372e-05

Argumentos de entrada

contraer todo

Tamaño de las capas ocultas de la red, especificado como un vector fila. La longitud del vector determina el número de capas ocultas de la red.

Ejemplo: Por ejemplo, puede especificar una red con 3 capas ocultas, en la que el tamaño de la primera capa oculta es 10, el de la segunda es 8 y el de la tercera es 5, de la siguiente manera: [10,8,5]

Los tamaños de entrada y salida se establecen en cero. El software ajusta los tamaños durante el entrenamiento, de acuerdo con los datos de entrenamiento.

Tipos de datos: single | double

Nombre de la función de entrenamiento, especificado como una de las siguientes opciones.

Función de entrenamientoAlgoritmo
'trainlm'

Levenberg-Marquardt

'trainbr'

Regularización bayesiana

'trainbfg'

BFGS quasi-Newton

'trainrp'

Retropropagación resiliente

'trainscg'

Gradiente conjugado escalado

'traincgb'

Gradiente conjugado con reinicios de Powell/Beale

'traincgf'

Gradiente conjugado de Fletcher-Powell

'traincgp'

Gradiente conjugado de Polak-Ribiére

'trainoss'

Secante de un paso

'traingdx'

Gradiente descendente de tasa de aprendizaje variable

'traingdm'

Gradiente descendente con momento

'traingd'

Gradiente descendente

Ejemplo: Por ejemplo, puede establecer el algoritmo de gradiente descendente de tasa de aprendizaje variable como el algoritmo de entrenamiento, de esta manera: 'traingdx'

Para obtener más información sobre las funciones de entrenamiento, consulte Train and Apply Multilayer Shallow Neural Networks y Choose a Multilayer Neural Network Training Function.

Tipos de datos: char

Argumentos de salida

contraer todo

Red neuronal prealimentada en cascada, devuelta como un objeto network.

Historial de versiones

Introducido en R2010b