network

创建自定义浅层神经网络

语法

net = network net = network(numInputs,numLayers,biasConnect,inputConnect,layerConnect,outputConnect)

获得帮助

键入 help network/network。

提示

要了解如何创建深度学习网络，请参阅 dlnetwork。

说明

network 创建新的自定义网络。它用于创建网络，这些网络随后通过 feedforwardnet 和 narxnet 等函数进行自定义。

不带参量的 net = network 返回没有输入、层或输出的新神经网络。

net = network(numInputs,numLayers,biasConnect,inputConnect,layerConnect,outputConnect) 接受以下可选参量（以默认值显示）：

`numInputs`	输入的数目，0
`numLayers`	层数，0
`biasConnect`	`numLayers`×1 布尔向量，0
`inputConnect`	`numLayers`×`numInputs` 布尔矩阵，0
`layerConnect`	`numLayers`×`numLayers` 布尔矩阵，0
`outputConnect`	1×`numLayers` 布尔向量，0

并返回

net

具有给定属性值的新网络

属性

架构属性

`net.numInputs`	0 或正整数	输入的数目。
`net.numLayers`	0 或正整数	层数。
`net.biasConnect`	`numLayer`×1 布尔向量	如果 `net.biasConnect(i)` 为 1，则层 `i` 具有偏置，并且 `net.biases{i}` 是描述该偏置的结构体。
`net.inputConnect`	`numLayer`×`numInputs` 布尔向量	如果 `net.inputConnect(i,j)` 为 1，则层 `i` 具有来自输入 `j` 的权重，并且 `net.inputWeights{i,j}` 是描述该权重的结构体。
`net.layerConnect`	`numLayer`×`numLayers` 布尔向量	如果 `net.layerConnect(i,j)` 为 1，则层 `i` 具有来自层 `j` 的权重，并且 `net.layerWeights{i,j}` 是描述该权重的结构体。
`net.outputConnect`	1×`numLayers` 布尔向量	如果 `net.outputConnect(i)` 为 1，则网络具有来自层 `i` 的输出，并且 `net.outputs{i}` 是描述该输出的结构体。
`net.numOutputs`	0 或正整数（只读）	基于 `net.outputConnect` 的网络输出数。
`net.numInputDelays`	0 或正整数（只读）	基于所有 `net.inputWeights{i,j}.delays` 的最大输入延迟。
`net.numLayerDelays`	0 或正数（只读）	基于所有 `net.layerWeights{i,j}.delays` 的最大层延迟。

子对象结构体属性

`net.inputs`	`numInputs`×1 元胞数组	`net.inputs{i}` 是定义输入 `i` 的结构体。
`net.layers`	`numLayers`×1 元胞数组	`net.layers{i}` 是定义层 `i` 的结构体。
`net.biases`	`numLayers`×1 元胞数组	如果 `net.biasConnect(i)` 为 1，则 `net.biases{i}` 是定义层 `i` 的偏置的结构体。
`net.inputWeights`	`numLayers`×`numInputs` 元胞数组	如果 `net.inputConnect(i,j)` 为 1，则 `net.inputWeights{i,j}` 是定义层 `i` 的来自输入 `j` 的权重的结构体。
`net.layerWeights`	`numLayers`×`numLayers` 元胞数组	如果 `net.layerConnect(i,j)` 为 1，则 `net.layerWeights{i,j}` 是定义层 `i` 的来自层 `j` 的权重的结构体。
`net.outputs`	1×`numLayers` 元胞数组	如果 `net.outputConnect(i)` 为 1，则 `net.outputs{i}` 是定义来自层 `i` 的网络输出的结构体。

函数属性

`net.adaptFcn`	网络自适应函数的名称或 `''`
`net.initFcn`	网络初始化函数的名称或 `''`
`net.performFcn`	网络性能函数的名称或 `''`
`net.trainFcn`	网络训练函数的名称或 `''`

参数属性

`net.adaptParam`	网络自适应参数
`net.initParam`	网络初始化参数
`net.performParam`	网络性能参数
`net.trainParam`	网络训练参数

权重和偏置值属性

`net.IW`	由输入权重值组成的 `numLayers`×`numInputs` 元胞数组
`net.LW`	由层权重值组成的 `numLayers`×`numLayers` 元胞数组
`net.b`	由偏置值组成的 `numLayers`×1 元胞数组

其他属性

net.userdata

结构体，可用于存储有用的值

示例

创建具有一个输入和两个层的网络

此示例说明如何创建一个没有任何输入和层的网络，然后将其输入和层的数量分别设置为 1 和 2。

net = network
net.numInputs = 1
net.numLayers = 2

您也可以用一行代码创建相同的网络。

net = network(1,2)

创建前馈网络并查看属性

此示例说明如何创建一个单输入的两层前馈网络。只有第一层有偏置。输入权重从输入 1 连接到层 1。层权重从层 1 连接到层 2。层 2 是网络输出并有一个目标。

net = network(1,2,[1;0],[1; 0],[0 0; 1 0],[0 1])

您可以使用以下代码查看网络子对象。

net.inputs{1}
net.layers{1}, net.layers{2}
net.biases{1}
net.inputWeights{1,1}, net.layerWeights{2,1}
net.outputs{2}

您可以修改任何网络子对象的属性。以下代码可更改这两个层的传递函数：

net.layers{1}.transferFcn = 'tansig';
net.layers{2}.transferFcn = 'logsig';

您可以查看从第一个输入到第一个层的连接的权重，如下所示。从输入到层的连接的权重存储在 net.IW 中。如果值尚未设置，则这些结果为空。

net.IW{1,1}

您可以查看从第一个层到第二个层的连接的权重，如下所示。各层间的连接的权重存储在 net.LW 中。同样，如果值尚未设置，则结果为空。

net.LW{2,1}

您可以查看第一个层的偏置值，如下所示。

net.b{1}

要将输入 1 中的元素数更改为 2，请设置每个元素的范围：

net.inputs{1}.range = [0 1; -1 1];

在训练网络后，您可以使用 sim 对网络进行仿真。例如，对有一个二元素输入向量的网络进行仿真。

p = [0.5; -0.1];
y = sim(net,p)

版本历史记录

在 R2006a 之前推出

另请参阅

sim