mse
均方归一化误差性能函数
说明
提示
要在深度学习中使用均方误差,请使用 regressionLayer
,或使用 dlarray
方法 mse。
采用神经网络 perf
= mse(net
,t
,y
,ew
)net
、目标矩阵或元胞数组 t
、输出矩阵或元胞数组 y
和误差权重 ew
,并返回均方误差。
此函数有两个可选参数,它们与 net.trainFcn
设置为此函数的网络相关联:
'regularization'
可以设置为 0 到 1 之间的任何值。正则化值越大,性能计算中包含的相对于误差的平方权重和偏置就越大。默认值为 0,对应于无正则化。'normalization'
可以设置为'none'
(默认值);'standard'
,将 -2 和 2 之间的误差归一化,对应于将 -1 和 1 之间的输出和目标归一化;以及'percent'
,将 -1 和 1 之间的误差归一化。此功能对于具有多元素输出的网络非常有用。它确保具有不同目标值范围的输出元素的相对精度被视为具有相同的重要性,而不是优先考虑具有最大目标值范围的输出元素的相对精度。
您可以创建一个将 mse
与 feedforwardnet
或 cascadeforwardnet
搭配使用的标准网络。要准备使用 mse
训练的自定义网络,请将 net.performFcn
设置为 'mse'
。这会自动将 net.performParam
设置为具有默认可选参数值的结构体。
mse
是网络性能函数。它根据均方误差来衡量网络性能。
示例
输入参数
输出参量
版本历史记录
在 R2006a 之前推出