fann_train_on_file

(PECL fann >= 1.0.0)

fann_train_on_file — Effectue un entraînement sur un jeu complet de données, qui peut être lu depuis un fichier, pour une période de temps

Description

fann_train_on_file(
    resource $ann,
    string $filename,
    int $max_epochs,
    int $epochs_between_reports,
    float $desired_error
): bool

Effectue un entraînement sur un jeu complet de données, qui peut être lu depuis un fichier, pour une période de temps.

Cet entraînement utilise l'algorithme d'entraînement choisi par la fonction fann_set_training_algorithm() et le jeu de paramètres pour ces algorithmes d'entraînement.

Liste de paramètres

ann: Ressource de réseau de neurones.
filename: Le fichier contenant les données d'entraînement
max_epochs: Le nombre maximal d'époques que l'entraînement doit traiter
epochs_between_reports: Le nombre maximal d'époques entre l'appel à la fonction utilisateur. Une valeur de zéro signifie que la fonction utilisateur n'est pas appelée.
desired_error: Le fann_get_MSE() ou le fann_get_bit_fail() voulu, suivant la fonction d'arrêt choisie par la fonction fann_set_train_stop_function()

Valeurs de retour

Retourne true en cas de succès, false sinon.

Voir aussi

fann_train_on_data() - Effectue un entraînement sur un jeu de données complet pour une période de temps
fann_train_epoch() - Effectue un entraînement avec un jeu de données d'entraînement
fann_get_bit_fail() - Le nombre de bits échoués
fann_get_MSE() - Lit le taux d'erreur quadratique moyen du réseau
fann_set_train_stop_function() - Définit la fonction d'arrêt à utiliser durant l'entraînement
fann_set_training_algorithm() - Définit l'algorithme d'entraînement
fann_set_callback() - Définit la fonction de rappel à utiliser pendant l'entraînement

Found A Problem?

Learn How To Improve This Page • Submit a Pull Request • Report a Bug

＋add a note

User Contributed Notes 1 note

down

geekgirljoy at gmail dot com ¶

7 years ago

Training File (xor.data):
4 2 1
-1 -1
-1
-1 1
1
1 -1
1
1 1
-1

<?php
$num_input = 2;
$num_output = 1;
$num_layers = 3;
$num_neurons_hidden = 3;
$desired_error = 0.001;
$max_epochs = 500000;
$epochs_between_reports = 1000;
$training_data = dirname(__FILE__) . "/xor.data";  // training data file
$ann_save_file = dirname(__FILE__) . "/xor_float.net";  // training data file

// Create ANN object using
$ann = fann_create_standard($num_layers, $num_input, $num_neurons_hidden, $num_output);

if ($ann) {
    
    // Configure the ANN Activation Function 
    fann_set_activation_function_hidden($ann, FANN_SIGMOID_SYMMETRIC);
    fann_set_activation_function_output($ann, FANN_SIGMOID_SYMMETRIC);
    
    // Try to train using fann_train_on_file()
    if (fann_train_on_file($ann, $training_data, $max_epochs, $epochs_between_reports, $desired_error)){
        echo 'xor trained.' . PHP_EOL);
    }
    
    // Try to save
    if (fann_save($ann, $ann_save_file)){
        echo 'xor saved.' . PHP_EOL);
    }
    
    // Destroy the $ann object
    fann_destroy($ann);
}
?>

＋add a note