network

사용자 지정 얕은 신경망 만들기

구문

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

도움말 보기

help network/network를 입력합니다.

팁

딥러닝 신경망을 만드는 방법에 대한 자세한 내용은 dlnetwork 항목을 참조하십시오.

설명

network는 새 사용자 지정 신경망을 만듭니다. 이 함수는 feedforwardnet, narxnet와 같은 함수에 의해 사용자 지정되는 신경망을 만드는 데 사용됩니다.

net = network와 같이 인수 없이 사용하면 입력값, 계층, 출력값이 없는 새 신경망이 반환됩니다.

net = network(numInputs,numLayers,biasConnect,inputConnect,layerConnect,outputConnect)는 다음 선택적 인수를 받습니다(디폴트 값과 함께 표시됨).

`numInputs`	입력값의 개수, 0
`numLayers`	계층의 개수, 0
`biasConnect`	`numLayers`×1 부울 벡터, 모두 0
`inputConnect`	`numLayers`×`numInputs` 부울 행렬, 모두 0
`layerConnect`	`numLayers`×`numLayers` 부울 행렬, 모두 0
`outputConnect`	1×`numLayers` 부울 벡터, 모두 0

그런 후 다음을 반환합니다.

net

속성값이 주어진 새 신경망

속성

아키텍처 속성

`net.numInputs`	0 또는 양의 정수	입력값의 개수입니다.
`net.numLayers`	0 또는 양의 정수	계층의 개수입니다.
`net.biasConnect`	`numLayer`×1 부울 벡터	`net.biasConnect(i)`가 1인 경우, 계층 `i`는 편향을 갖고 `net.biases{i}`는 이 편향을 설명하는 구조체입니다.
`net.inputConnect`	`numLayer`×`numInputs` 부울 벡터	`net.inputConnect(i,j)`가 1인 경우, 계층 `i`는 입력값 `j`에서 오는 가중치를 갖고 `net.inputWeights{i,j}`는 이 가중치를 설명하는 구조체입니다.
`net.layerConnect`	`numLayer`×`numLayers` 부울 벡터	`net.layerConnect(i,j)`가 1인 경우, 계층 `i`는 계층 `j`에서 오는 가중치를 갖고 `net.layerWeights{i,j}`는 이 가중치를 설명하는 구조체입니다.
`net.outputConnect`	1×`numLayers` 부울 벡터	`net.outputConnect(i)`가 1인 경우, 신경망은 계층 `i`에서 오는 출력값을 갖고 `net.outputs{i}`는 이 출력값을 설명하는 구조체입니다.
`net.numOutputs`	0 또는 양의 정수(읽기 전용)	`net.outputConnect`에 따른 신경망 출력값의 개수입니다.
`net.numInputDelays`	0 또는 양의 정수(읽기 전용)	모든 `net.inputWeights{i,j}.delays`에 따른 최대 입력 지연입니다.
`net.numLayerDelays`	0 또는 양수(읽기 전용)	모든 `net.layerWeights{i,j}.delays`에 따른 최대 계층 지연입니다.

하위객체 구조체 속성

`net.inputs`	`numInputs`×1 셀형 배열	`net.inputs{i}`는 입력값 `i`를 정의하는 구조체입니다.
`net.layers`	`numLayers`×1 셀형 배열	`net.layers{i}`는 계층 `i`를 정의하는 구조체입니다.
`net.biases`	`numLayers`×1 셀형 배열	`net.biasConnect(i)`가 1인 경우, `net.biases{i}`는 계층 `i`의 편향을 정의하는 구조체입니다.
`net.inputWeights`	`numLayers`×`numInputs` 셀형 배열	`net.inputConnect(i,j)`가 1인 경우, `net.inputWeights{i,j}`는 입력값 `j`에서 계층 `i`로 전달되는 가중치를 정의하는 구조체입니다.
`net.layerWeights`	`numLayers`×`numLayers` 셀형 배열	`net.layerConnect(i,j)`가 1인 경우, `net.layerWeights{i,j}`는 계층 `j`에서 계층 `i`로 전달되는 가중치를 정의하는 구조체입니다.
`net.outputs`	1×`numLayers` 셀형 배열	`net.outputConnect(i)`가 1인 경우, `net.outputs{i}`는 계층 `i`에서 전달되는 신경망 출력값을 정의하는 구조체입니다.

함수 속성

`net.adaptFcn`	신경망 적응 함수의 이름 또는 `''`
`net.initFcn`	신경망 초기화 함수의 이름 또는 `''`
`net.performFcn`	신경망 성능 함수의 이름 또는 `''`
`net.trainFcn`	신경망 훈련 함수의 이름 또는 `''`

파라미터 속성

`net.adaptParam`	신경망 적응 파라미터
`net.initParam`	신경망 초기화 파라미터
`net.performParam`	신경망 성능 파라미터
`net.trainParam`	신경망 훈련 파라미터

가중치 및 편향 값 속성

`net.IW`	입력 가중치 값으로 구성된 `numLayers`×`numInputs` 셀형 배열
`net.LW`	계층 가중치 값으로 구성된 `numLayers`×`numLayers` 셀형 배열
`net.b`	편향 값으로 구성된 `numLayers`×1 셀형 배열

기타 속성

net.userdata

유용한 값을 저장하는 데 사용할 수 있는 구조체

예제

1개의 입력값과 2개의 계층을 갖는 신경망 만들기

이 예제에서는 입력값과 계층 없는 신경망을 만든 다음 입력값의 개수와 계층의 개수를 각각 1과 2로 설정하는 방법을 보여줍니다.

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

또는 코드 한 줄을 사용하여 이와 동일한 신경망을 만들 수도 있습니다.

net = network(1,2)

피드포워드 신경망을 만들고 속성 보기

이 예제에서는 입력값이 1개이고 계층이 2개인 피드포워드 신경망을 만드는 방법을 보여줍니다. 첫 번째 계층만 편향을 갖습니다. 첫 번째 입력값에서 첫 번째 계층으로 입력 가중치가 연결됩니다. 첫 번째 계층에서 두 번째 계층으로 계층 가중치가 연결됩니다. 두 번째 계층은 신경망 출력값으로, 목표값을 갖습니다.

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

다음 코드를 사용하여 신경망의 하위객체를 볼 수 있습니다.

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

신경망 내 아무 하위객체 속성이나 변경할 수 있습니다. 이 코드는 두 계층 모두의 전달 함수를 변경합니다.

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

첫 번째 입력에서 첫 번째 계층으로의 연결에 대한 가중치를 다음과 같이 볼 수 있습니다. 입력값에서 계층으로의 연결에 대한 가중치는 net.IW에 저장되어 있습니다. 값이 아직 설정되지 않은 경우 빈 결과 값이 반환됩니다.

net.IW{1,1}

첫 번째 계층에서 두 번째 계층으로의 연결에 대한 가중치는 다음과 같이 볼 수 있습니다. 계층에서 계층으로의 연결에 대한 가중치는 net.LW에 저장되어 있습니다. 마찬가지로, 값이 아직 설정되지 않은 경우 빈 결과 값이 반환됩니다.

net.LW{2,1}

첫 번째 계층에 대한 편향은 다음과 같이 볼 수 있습니다.

net.b{1}

첫 번째 입력값의 요소 개수를 2로 변경하려면 다음과 같이 각 요소의 범위를 설정하십시오.

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

신경망을 훈련시킨 후 sim을 사용하여 신경망을 시뮬레이션할 수 있습니다. 예를 들어, 요소를 2개 가진 입력 벡터에 대해 신경망을 시뮬레이션할 수 있습니다.

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

버전 내역

R2006a 이전에 개발됨

참고 항목

sim