神經網路epochs

A. matlab神經訓練網路的誤差直方圖怎麼看

1.輸入nftool;點擊next

2.輸入特徵X 和目標值Y如下：【注意按行/按列】

.png

3.設置訓練集/驗證集/測試機比例：【一般默認為0.7：0.15：0.15】

.png

4.設置隱藏鋒液層個數：【需要調的參數之一】

.png

5.選擇優化演算法：默認如圖；點擊train進行訓練

.png

6.生成圖像：【如圖plots】

.png

6.1 performance

.png

橫坐標：訓練結束時的epochs數【神經網路一次前向傳播+一次反向傳播=一個epoch】

縱坐標：均方誤差

從圖中可以得到：在epochs=5時，驗證集valiadation和測試集test達到最小均方誤差。

6.2 training state

.png

橫坐標：epoch

縱坐標：梯度gradient；mu?；val fail？；

梯度：若梯度為0，則為圖像最低點，即最優位置

mu：

val fail：

【validation check=6：若連續爛廳六次訓練，訓練誤差沒有變小，則假定繼續訓練下去效果不會變好，停止訓練。】

6.3 error histogram【誤差直方圖】

.png

橫坐標：誤差區間的中位數；

縱坐標：位於該誤差區間的樣本個數

可以得到：神經網路的輸出值與銀歷物樣本原目標值的誤差；

6.4 regression【檢驗預測值和目標值的線性化程度？】

.png

橫坐標：樣本原目標值；

縱坐標：神經網路輸出預測值；

可以得到：原目標值和預測值的相關度；用系數R表示，若R越接近1，則表示線性化程度越高，結果越好。

7 另外添加更多的測試集

.png

8.生成代&保存訓練結果和網路

點擊xx script，生成所需要的代碼(m文件)；

.png

點擊save results，將數據結果和網路輸出到workspace；

B. 神經網路訓練函數

epochs: 100 最大訓練次數
goal: 0 訓練目標
max_fail: 5 最多驗證失敗次改差廳數
mem_rec: 1 Factor to use for memory/speed trade off
min_grad: 1.0000e-010 最小訓練梯度慶氏
mu: 1.0000e-003 mu初核隱始參數
mu_dec: 0.1000 mu減少因子
mu_inc: 10 mu增加因子
mu_max: 1.0000e+010 mu最大可取
show: 25 最多顯示訓練步數
time: Inf 最多訓練時間，無限制

C. 如何通過人工神經網路實現圖像識別

人工神經網路（ Neural Networks）（簡稱ANN）系統從20 世紀40 年代末誕生至今僅短短半個多世紀，但由於他具有信息的分布存儲、並行處理以及自學習能力等優點，已經在信息處理、模式識別、智能控制及系統建模等領域得到越來越廣泛的應用。尤其是基於誤差反向傳播（Error Back Propagation）演算法的多層前饋網路（Multiple-Layer Feedforward Network）(簡稱BP 網路)，可以以任意精度逼近任意的連續函數，所以廣泛應用於非線性建模、函數逼近、模式分類等方面。

目標識別是模式識別領域的一項傳統的課題，這是因為目標識別不是一個孤立的問題，而是模式識別領域中大多數課題都會遇到的基本問題，並且在不同的課題中，由於具體的條件不同，解決的方法也不盡相同，因而目標識別的研究仍具有理論和實踐意義。這里討論的是將要識別的目標物體用成像頭(紅外或可見光等)攝入後形成的圖像信號序列送入計算機，用神經網路識別圖像的問題。

一、BP 神經網路

BP 網路是採用Widrow-Hoff 學習演算法和非線性可微轉移函數的多層網路。一個典型的BP 網路採用的是梯度下降演算法，也就是Widrow-Hoff 演算法所規定的。backpropagation 就是指的為非線性多層網路計算梯度的方法。一個典型的BP 網路結構如圖所示。

六、總結

從上述的試驗中已經可以看出，採用神經網路識別是切實可行的，給出的例子只是簡單的數字識別實驗，要想在網路模式下識別復雜的目標圖像則需要降低網路規模，增加識別能力，原理是一樣的。

D. 神經網路程序的解釋

p=[];t=[];%表訓練神經網路的訓練樣本，一個輸入一個輸出。net=newff(minmax(p),[10,1],{'tansig','purelin'},'traingdm');%表創建兩層神經網路內，第一層10個神經元，容輸出層1個神經元，'tansig','purelin'表各層神經網路的激勵函數。 iw=net.IW{1,1};
ib=net.b{1}; lw=net.LW{2,1}; lb=net.b{2};%表示對各層神經網路的權值與閾值傳遞到相應變數。net.trainParam.show=50;
net.trainParam.lr=0.05;
net.trainParam.mc=0.9;
net.trainParam.epochs=10000;
net.trainParam.goal=1e-3;
net.trainParam.goal=1e-3;
%表對神經網路訓練參數設置
[net,tr]=train(net,p,t);%對神經網路進行訓練
a=sim(net,p);對神經網路進行模擬，輸出值傳遞給a
你看是否滿意？

E. 訓練好的RBF徑向基神經網路這么查看相關參數，例如訓練時間，epochs，MSE

newrb()可以用來設計一個近似徑向基網路，用newrb()創建RBF網路是一個不斷嘗試的過程，在創建過程中，需要不斷增加中間神經元的個數，直到網路的輸出誤差滿足預先設定的值為止。和newrb()，newrbe()用於創建一個嚴格的徑向基網路，它能夠基於設計向量快速地、無誤差地設計一個徑向基網路。這就是兩個函數運行時間相差很大的原因。

F. 神經網路中的訓練次數，是指的什麼

訓練次數是指最大迭代次數，如果達到此次數，即使達不到誤差要求，也終止計算，77次是實際迭代次數。