【测试】traingdmBP的测试Demo

本站原创文章，转载请说明来自《老饼讲解-BP神经网络》www.bbbdata.com

本代码用于测试《traingdmBP.m》的使用Demo

同时也测试traingdmBP.m的结果是否与matlab的工具箱用"traingdm"的训练结果是否一致

   01. traingdmBP的测试Demo  

本节展示traingdmBP的测试Demo代码及对代码进行简要说明

    代码简要解说    

DEMO代码主要干的事情如下：
 👉1. 先用自写代码traingdmBP训练一个两隐层的神经网络                              
👉2. 再用工具箱的traingdm方法训练一个两隐层的神经网络                          
然后分别打印工具箱的训练结果，与traingdmBP的训练结果，对两者进行比较

      traingdmBP的使用与测试Demo    

% ---------数据生成与参数预设-------------
clear 
% 生成输入输出数据
X  = [-1:0.2:1;-1:0.2:1];
y = [sin(X( 1,:)) + X( 2,:);sin(X( 1,:).*X( 1,:)) + 0.5*X( 2,:)];
% 数据归一化
X = 2*(X-repmat(min(X,[],2),1,size(X,2)))./(repmat(max(X,[],2)-min(X,[],2),1,size(X,2)))-1;
y = 2*(y-repmat(min(y,[],2),1,size(y,2)))./(repmat(max(y,[],2)-min(y,[],2),1,size(y,2)))-1;

% 参数预设
hnn     = [8,4];                                   % 隐节点个数(hideNodeNum)
tf      = {'tansig','tansig','purelin'};           % 每层的激活函数
maxStep = 1000;                                    % 最大训练步数
goal    = 0.00001;                                 % 目标误差
mc      = 0.9;                                     % 动量系数

%---------调用自写函数进行训练--------------
rand('seed',70);

[W,B] = traingdmBP(X,y,hnn,tf,goal,maxStep,mc);    % 网络训练
py    = predictBP(W,B,tf,X);                       % 网络预测
w12 = W{1,2}                                       % 提取网络的权重
w23 = W{2,3}                                       % 提取网络的权重
w34 = W{3,4}                                       % 提取网络的权重
b2  = B{2};                                        % 提取网络阈值
b3  = B{3};                                        % 提取网络阈值
b4  = B{4};                                        % 提取网络阈值
												   
% -----调用工具箱，与工具箱的结果比较------        
rand('seed',70);                                   
net = newff(X,y,hnn,tf,'traingdm');                
net.trainparam.goal        = mc;                   % 设置动量系数

%设置训练参数                                      
net.trainparam.goal        = goal;                 % 训练目标
net.trainparam.epochs      = maxStep;              % 最大训练次数.
net.divideParam.trainRatio = 1;                    % 全部数据用于训练
net.divideParam.valRatio   = 0;                    % 关掉泛化验证数据
net.divideParam.testRatio  = 0;                    % 关掉测试数据
												   
% 网络训练                                         
[net,tr,py_tool] = train(net,X,y);                 % 训练网络
w12_tool = net.IW{1}                               % 提取网络的权重
w23_tool = net.LW{2,1}                             % 提取网络的权重
w34_tool = net.LW{3,2}                             % 提取网络的权重

% 与工具箱的差异
maxECompareNet = max([max(abs(py(:)-py_tool(:))),max(abs(w12(:)-w12_tool(:))),max(abs(w23(:)-w23_tool(:))),max(abs(w34(:)-w34_tool(:)))]);
disp(['自写代码与工具箱权重阈值的最大差异:',num2str(maxECompareNet)])

版本:matlab 2018a

   02. 代码运行结果解说    

本节展示代码的运行结果，并进行简单解说

     代码运行结果解说     

运行结果共三部分

 1. 自写代码求得的网络权重与阈值
  
 

2. 调用工具箱求得的网络权重与阈值
 
 
 
3. 自写代码与工具箱的结果对比
 
 

✍️解说
 从运行结果可以看到，自写代码与工具箱的结果一样
说明扒出的逻辑与工具箱的一致

 End