matlab-BP神经网络的训练参数大全

本文部分图文来自《老饼讲解-BP神经网络》bp.bbbdata.com

本文列兴趣MATLAB神经网络工具箱中，训练参数trainParam的各个参数与意义

以方便在使用matlab工具箱时，用于查阅

一、matlab神经网络工具箱trainParam的参数列表

trainParam中的各个具体参数如下：

参数名称	解释	适用方法
net.trainParam.epochs	最大训练次数（缺省为10）	全部
net.trainParam.goal	训练要求精度（缺省为0）	全部
net.trainParam.lr	学习率（缺省为0.01）	全部
net.trainParam.max_fail	最大失败次数（缺省为5）	全部
net.trainParam.min_grad	最小梯度要求（缺省为1e-10）	全部
net.trainParam.show	显示训练迭代过程（NaN表示不显示，缺省为25）	全部
net.trainParam.time	最大训练时间（缺省为inf）	全部
net.trainParam.mc	动量因子（缺省0.9）	traingdm、traingdx
net.trainParam.lr_inc	学习率lr增长比（缺省为1.05）	traingda、traingdx
net.trainParam.lr_dec	学习率lr下降比（缺省为0.7）	traingda、traingdx
net.trainParam.max_perf_inc	表现函数增加最大比（缺省为1.04）	traingda、traingdx
net.trainParam.delt_inc	权值变化增加量（缺省为1.2）	trainrp
net.trainParam.delt_dec	权值变化减小量（缺省为0.5）	trainrp
net.trainParam.delt0	初始权值变化（缺省为0.07）	trainrp
net.trainParam.deltamax	权值变化最大值（缺省为50.0）	trainrp
net.trainParam.searchFcn	一维线性搜索方法（缺省为srchcha）	traincgf、traincgp、traincgb、trainbfg、trainoss
net.trainParam.sigma	因为二次求导对权值调整的影响参数（缺省值5.0e-5）	trainscg
net.trainParam.lambda	Hessian矩阵不确定性调节参数（缺省为5.0e-7）	trainscg
net.trainParam.men_reduc	控制计算机内存/速度的参量，内存较大设为1，否则设为2（缺省为1）	trainlm
net.trainParam.mu	u的初始值（缺省为0.001）	trainlm
net.trainParam.mu_dec	u的减小率（缺省为0.1）	trainlm
net.trainParam.mu_inc	u的增长率（缺省为10）	trainlm
net.trainParam.mu_max	u的最大值（缺省为1e10）	trainlm

✍️PASS:trainParam参数是相对训练算法而言的，因此有些参数只针对部分训练算法哦

二、在使用trainParam时的注意事项

1.需要注意的是，有些参数只有某些方法才有效

例如mu、mu_dec等参数只有使用的trainlm方法，所以必须在了解相关算法的基础上，再进行设置。如果细心，会注意到不同训练算法的训练面板上的参数是有所不同的，如下

trainlm的训练面板

traingd的训练面板：

2.每个参数在不同训练方法上默认值有所不同

例如使用trainbr方法时，验证数据集的划分为0,同时，net.trainParam.max_fail也是为0的，如下


x = 1:100;  
y  = sin(x);
net = newff(x,y,3,{'tansig','purelin'},'trainbr');
max_fail = net.trainParam.max_fail

运行结果如下：

更多文章

1-LVQ的学习目录：老饼|BP神经网络-竞争神经网络
2-径向基神经网络学习目录：老饼|BP神经网络-感知机与SVM
3-BP的学习目录：老饼|BP神经网络-BP入门

相关阅读:
接口自动化测试很难吗？来看看这份超详细的教程！
网络协议常用面试题汇总(二)
400 HTTP响应码之客户端错误
大环境之下软件测试行业趋势能否上升？
Android---自定义View
Archive Team: The Twitter Stream Grab
2021CCPC 哈尔滨(B D E I J)
C现代方法（第18章）笔记——声明
python-web开发[20]之开发小结
DeFi分析师：如何构建加密货币分析研究框架？

原文地址：https://blog.csdn.net/dbat2015/article/details/134540690