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.

patternnet

Generar una red de reconocimiento de patrones

Descripción

ejemplo

net = patternnet(hiddenSizes,trainFcn,performFcn) devuelve una red neuronal de reconocimiento de patrones con un tamaño de capa oculta de hiddenSizes, una función de entrenamiento (especificada por trainFcn) y una función de rendimiento (especificada por performFcn).

Las redes de reconocimiento de patrones son redes prealimentadas que se pueden entrenar para clasificar entradas de acuerdo con clases de objetivos. Los datos objetivo de las redes de reconocimiento de patrones deben estar formados por vectores de todos valores cero, excepto por un 1 en el elemento i, donde i es la clase que van a representar.

Ejemplos

contraer todo

Este ejemplo muestra cómo diseñar una red de reconocimiento de patrones para clasificar iris.

Cargue los datos de entrenamiento.

[x,t] = iris_dataset;

Cree una red de patrones con una capa oculta con un tamaño de 10.

net = patternnet(10);

Entrene la red net usando los datos de entrenamiento.

net = train(net,x,t);

Figure Neural Network Training (18-Jan-2022 16:23:42) 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,t,y)
perf = 0.0302
classes = vec2ind(y);

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

Función de rendimiento. El valor predeterminado es 'crossentropy'.

Este argumento define la función usada para medir el rendimiento de la red. La función de rendimiento se usa para calcular el rendimiento de la red durante el entrenamiento.

Para ver una lista de funciones, escriba help nnperformance en la ventana de comandos de MATLAB.

Argumentos de salida

contraer todo

Red neuronal de reconocimiento de patrones, devuelta como un objeto network.

Historial de versiones

Introducido en R2010b