2024 年 PHP Conference Japan

    fann_train_epoch

    (PECL fann >= 1.0.0)

    fann_train_epoch — 使用一組訓練資料訓練一個 epoch

    說明

    fann_train_epoch(資源 $ann, 資源 $data): 浮點數

    使用儲存在 data 中的訓練資料訓練一個 epoch。一個 epoch 指的是所有訓練資料都被完整考慮一次。

    此函式會傳回在實際訓練之前或期間計算出的 MSE 誤差。這並非訓練 epoch 後的實際 MSE，因為計算實際 MSE 需要再次遍歷整個訓練集。在訓練期間使用此值已足夠。

    此函式使用的訓練演算法是由 fann_set_training_algorithm() 函式選擇的。

    參數

    ann

    神經網路 資源。

    data

    神經網路訓練資料 資源。

    回傳值

    均方誤差 (MSE)，或錯誤時回傳 false。

    參見

    發現問題了嗎？

    學習如何改進此頁面 • 提交 Pull Request • 回報錯誤
    ＋新增註解

    使用者貢獻的註解 1 則註解

    5
    geekgirljoy at gmail dot com
    6 年前
    這段程式碼示範了使用 fann_train_epoch 訓練 XOR，並讓您透過觀察虛擬 MSE（均方誤差）來觀察訓練過程。

    其他訓練函式：fann_train_on_data、fann_train_on_file、fann_train。

    當您想要在訓練時觀察人工神經網路，並且可能儲存快照或在訓練期間比較競爭網路時，fann_train_epoch 很有用。

    fann_train_epoch 與 fann_train 的不同之處在於它採用資料資源（訓練檔案），而 fann_train 採用輸入陣列和單獨的輸出陣列，因此使用 fann_train_epoch 來觀察資料檔案（回呼訓練資源）上的訓練，並在觀察手動指定的資料時使用 fann_train。

    程式碼範例

    <?php
    $num_input     = 2;
    $num_output = 1;
    $num_layers = 3;
    $num_neurons_hidden = 3;
    $desired_error = 0.0001;
    $max_epochs = 500000;
    $current_epoch = 0;
    $epochs_between_saves = 100; // Minimum number of epochs between saves
    $epochs_since_last_save = 0;
    $filename = dirname(__FILE__) . "/xor.data";

    // Initialize psudo mse (mean squared error) to a number greater than the desired_error
    // this is what the network is trying to minimize.
    $psudo_mse_result = $desired_error * 10000; // 1
    $best_mse = $psudo_mse_result; // keep the last best seen MSE network score here

    // Initialize ANN
    $ann = fann_create_standard($num_layers, $num_input, $num_neurons_hidden, $num_output);

    if (    $ann) {
    echo     'Training ANN... ' . PHP_EOL;

    // Configure the ANN
    fann_set_training_algorithm ($ann , FANN_TRAIN_BATCH);
    fann_set_activation_function_hidden($ann, FANN_SIGMOID_SYMMETRIC);
    fann_set_activation_function_output($ann, FANN_SIGMOID_SYMMETRIC);

    // Read training data
    $train_data = fann_read_train_from_file($filename);


    // Check if psudo_mse_result is greater than our desired_error
    // if so keep training so long as we are also under max_epochs
    while(($psudo_mse_result > $desired_error) && ($current_epoch <= $max_epochs)){
    $current_epoch++;
    $epochs_since_last_save++;

    // See: https://php.dev.org.tw/manual/en/function.fann-train-epoch.php
    // Train one epoch with the training data stored in data.
    //
    // One epoch is where all of the training data is considered
    // exactly once.
    //
    // This function returns the MSE error as it is calculated
    // either before or during the actual training. This is not the
    // actual MSE after the training epoch, but since calculating this
    // will require to go through the entire training set once more.
    // It is more than adequate to use this value during training.
    $psudo_mse_result = fann_train_epoch ($ann , $train_data );
    echo     'Epoch ' . $current_epoch . ' : ' . $psudo_mse_result . PHP_EOL; // report


    // If we haven't saved the ANN in a while...
    // and the current network is better then the previous best network
    // as defined by the current MSE being less than the last best MSE
    // Save it!
    if(($epochs_since_last_save >= $epochs_between_saves) && ($psudo_mse_result < $best_mse)){

    $best_mse = $psudo_mse_result; // we have a new best_mse

    // Save a Snapshot of the ANN
    fann_save($ann, dirname(__FILE__) . "/xor.net");
    echo     'Saved ANN.' . PHP_EOL; // report the save
    $epochs_since_last_save = 0; // reset the count
    }

    }     // While we're training

    echo 'Training Complete! Saving Final Network.' . PHP_EOL;

    // Save the final network
    fann_save($ann, dirname(__FILE__) . "/xor.net");
    fann_destroy($ann); // free memory
    }
    echo     'All Done!' . PHP_EOL;
    ?>
    ＋新增註解
    To Top