ASN - cvičení 2 : Ukázky práce s NN-Toolboxem

5
ASN - cvičení 2 : Ukázky práce s NN-Toolboxem Postup: 1) MATLAB 2) HELP 3) Full Product Family Help Neural Network Toolbox MATLAB Help Demos Finding Functions Demonstrations and Applications Toolboxes Neural Networks NNdemos

description

ASN - cvičení 2 : Ukázky práce s NN-Toolboxem. Postup: 1) MATLAB 2) HELP 3) Full Product Family Help Neural Network Toolbox MATLAB Help Demos Finding Functions - PowerPoint PPT Presentation

Transcript of ASN - cvičení 2 : Ukázky práce s NN-Toolboxem

Page 1: ASN -  cvičení 2 :   Ukázky práce s NN-Toolboxem

ASN - cvičení 2 : Ukázky práce s NN-Toolboxem

Postup: 1) MATLAB 2) HELP 3) Full Product Family Help Neural Network Toolbox MATLAB Help Demos Finding Functions Demonstrations and Applications

Toolboxes

Neural Networks

NNdemos

Page 2: ASN -  cvičení 2 :   Ukázky práce s NN-Toolboxem

Alphabetical List Functions by Category

perceptron pro perceptron Distance Functions Learning Functions – learnh (Hebb) Network Use Functions – adapt disp init sim train Performance Function (chybové funkce) mae (mean absolute error) mse ( mean squared error) sse ( sum squared error)

Plotting Functions – plotpv (perceptron) Training Functions – trainb (batch-trenink) Transfer Functions rands Weight and Bias Initialization Functions dist Weight Functions (Euclidean) mandist (Manhattan)

Page 3: ASN -  cvičení 2 :   Ukázky práce s NN-Toolboxem

Demonstrační úlohy

• nnd2n1 ukázka formálního neuronu a přenosových funkcí• nnd2n2 ukázka neuronu s 1 vstupním vektorem

Perceptron

• nnd3pc klasifikace perceptronem• nnd4db ukázka rozhodovací přímky• nnd4pr ukázka algoritmu učení perceptronu• demop1 problém klasifikace se 2 vstupními neurony• demop4 extrémní hodnoty elementů vstupního vektoru• demop5 normování• demop6 ukázka lineárně neseparabilních vektorů

nndtocnnd

Page 4: ASN -  cvičení 2 :   Ukázky práce s NN-Toolboxem

nnd2n1

• lze měnit váhy, prahy a přenosové funkce• názorná ukázka významu prahu• u přenosových funkcí satlin, satlins, logsig, tansig se změnou vah mění sklon těchto funkcí – to má vliv na úspěšnost a rychlost učení (hodnota vah blízká 0 vede na menší sklon průběhu funkce a naopak

nnd2n2

• je možné měnit více parametrů najednou (váhy, prahy a hodnoty elementů vstupního vektoru a sledovat hodnotu vástupu pro různé přenosové funkce

Úloha: sestavte tabulku, ze které bude vidět vliv měnících se hodnot jednotlivých parametrů perceptronu (vah, prahů, vstupů a přenosových funkcí)

Page 5: ASN -  cvičení 2 :   Ukázky práce s NN-Toolboxem

Perceptron

• nnd4dp pouze znázornění rozhodovací přímky• nnd4pr ukazuje rozdíl mezi učením (learning) a trénováním (training) ukázka klasifikace do 2 tříd – limitující schopnost perceptronu je možné vyzkoušet vliv prahu (bias) a náhodné inicializace vah (random)

• demop1,4,5,6 - u těchto demonstrací je vhodnější volit prostřednictvím položky DEMOS (animace) - při spuštění z příkazové řádky se objeví pouze grafická ukázka a zdrojový kód je nutné vyvolat příkazem type demop1 (type demop4…)