Uebung 02 NN Properties b1b1 b2b2 b3b3 b4b4 b INPUTINPUT OUTPUTOUTPUT w 1o w 2o w 3o w 4o w 11 w 12 w 13 w 14 w 21 w 22 w 23 w 24.

Präsentation zum Thema: "Uebung 02 NN Properties b1b1 b2b2 b3b3 b4b4 b INPUTINPUT OUTPUTOUTPUT w 1o w 2o w 3o w 4o w 11 w 12 w 13 w 14 w 21 w 22 w 23 w 24."—  Präsentation transkript:

1 Uebung 02 NN Properties b1b1 b2b2 b3b3 b4b4 b INPUTINPUT OUTPUTOUTPUT w 1o w 2o w 3o w 4o w 11 w 12 w 13 w 14 w 21 w 22 w 23 w 24

2 SS 2011H. Werner : DatenalyseÜbung 1 : 2 Netzwerk-Erzeugung net = network( numInputs,numLayers,biasConnect,in putConnect, layerConnect,outputConnect) dabei darf net ein beliebiger Name sein in Matlab werden Neuronengruppen durchweg layer genannt, auch wenn mehrere in derselben Schicht liegen outputConnect1 x l boolescher Vector

3 SS 2011H. Werner : DatenalyseÜbung 1 : 3 Anzahl der Inputs : numInputs Anzahl i der Inputs (nicht die Anzahl der Input-Neuronen!) net.inputs: cell-Array aller i Inputs net.inputs{k}.size: Anzahl der Neuronen im k-ten Input

4 SS 2011H. Werner : DatenalyseÜbung 1 : 4 Anzahl der Layer: numLayers Anzahl l der Layer (nicht die Anzahl der Neuronen im layer!) net.layers cell-Array aller l Layer net.layers{k}.size Anzahl der Neuronen im k-ten Layer

5 SS 2011H. Werner : DatenalyseÜbung 1 : 5 Anzahl der Outputs: numOutputs Anzahl o der Outputs (nicht die Anzahl der Neuronen im output!) net.outputs cell-Array aller o Outputs net.outputs{k}.size Anzahl der Neuronen im k -ten Output

6 SS 2011H. Werner : DatenalyseÜbung 1 : 6 Anzahl aller Verbindungen: numWeightElements Anzahl aller Gewichte und Schwellwerte (read only)

7 SS 2011H. Werner : DatenalyseÜbung 1 : 7 Schwellwerte im Layer: biasConnect l x 1 boolescher Vektor biasConnect(k)=1 besagt, daß das k-te Layer einen Bias besitzt In diesem Fall ist net.biases{k} die gesamte bias-Struktur und net.b{k} gibt den numerischen Wert des Bias aus.

8 SS 2011H. Werner : DatenalyseÜbung 1 : 8 Input Verbindungen: inputConnect l x i boolesche Matrix inputConnect(j,k)=1 bedeutet, daß das j -te Layer mit dem k -ten Input verbunden ist. In diesem Fall enthält net.inputWeights{j,k} die Struktur der Verbindungsgewichte von input k nach layer j und net.IW{j,k} gibt die entsprechende net.inputs{k}.size x net.layers{j}.size Gewichtsmatrix aus.

9 SS 2011H. Werner : DatenalyseÜbung 1 : 9 Verbindungen der Layer: layerConnect l x l boolesche Matrix layerConnect(j,k)=1 bedeutet, daß das j-te Layer mit dem k-ten Layer verbunden ist. In diesem Fall enthält net.layerWeights{j,k} die Struktur der Verbindungsgewichte von layer k nach layer j und net.LW{j,k} gibt die entsprechende net.layers{k}.size x net.layers{j}.size Gewichtsmatrix aus.

10 SS 2011H. Werner : DatenalyseÜbung 1 : 10 Verbindungen der Outputs: outputConnect 1 x l boolesche Matrix outputConnect(k)=1 besagt, daß das k-te Layer eine Verbindung zu seinem Output besitzt. In diesem Fall ist net.outputs{k} die Struktur dieses Outputs und net.outputs{k}.size gibt die entsprechende Zahl von Neuronen aus.

11 SS 2011H. Werner : DatenalyseÜbung 1 : 11 Aufgabe: Erzeuge ein leeres Netzwerk mit dem Befehl net = network; Versuche durch die oben erwähnten Properties das Netzwerk in folgende Gestalt zu bringen: