預定義常量

下列常量由此擴展定義，且僅在此擴展編譯入 PHP 或在運行時(shí)動(dòng)態(tài)載入時(shí)可用。

訓練算法

FANN_TRAIN_INCREMENTAL (integer)

標準反向傳播算法，每次訓練匹配后權重都會(huì )更新。這意味著(zhù)在每個(gè)單歷元中權重會(huì )被更新很多次。因為這個(gè)原因，很多問(wèn)題使用這個(gè)算法將會(huì )訓練的非?？?，然而其他更高級的問(wèn)題的訓練效果不是很好。

FANN_TRAIN_BATCH (integer)

標準反向傳播算法，計算均方差誤差后權重值將會(huì )更新。 這意味著(zhù)每個(gè)單歷元只會(huì )更新一次。因為這個(gè)原因，很多問(wèn)題使用這個(gè)算法會(huì )訓練的很慢。但是計算出的均方差誤差比增量訓練的效果更好，使用這個(gè)算法某些問(wèn)題將會(huì )得到更好的解決方案。

FANN_TRAIN_RPROP (integer)

一個(gè)更高級的批訓練算法，對于很多問(wèn)題該算法還會(huì )獲得很好的結果。RPROP 訓練算法是自適應的，因此不需要使用 learning_rate. 其他一些參數用來(lái)設置 RPROP 算法工作的方式，只推薦給那些知道 RPROP 算法如何工作的人來(lái)設置。RPROP 訓練算法是被 Riedmiller 和 BraunSome 在1993年提出來(lái)的，實(shí)際上此處使用的是由 Igel 和 Husken 在2000年提出來(lái)的 iRPROP 訓練算法，它是標準 RPROP 訓練算法的一個(gè)變種。

FANN_TRAIN_QUICKPROP (integer)

一個(gè)更高級的批訓練算法，對于很多問(wèn)題該算法還會(huì )獲得很好的結果。quickprop 訓練算法使用 learning_rate 參數和其他更高級的參數， 但是只有當用戶(hù)真正明白 quickprop 訓練算法如何工作的時(shí)候才建議修改這些高級參數。 quickprop 訓練算法是被 Fahlman 在1988年描述的。

FANN_TRAIN_SARPROP (integer)

更高級的訓練算法，只在2.2版本中可用。

Activation functions

FANN_LINEAR (integer)

線(xiàn)性激勵函數。

FANN_THRESHOLD (integer)

閾值激勵函數。

FANN_THRESHOLD_SYMMETRIC (integer)

閾值激勵函數。

FANN_SIGMOID (integer)

Sigmoid激勵函數。

FANN_SIGMOID_STEPWISE (integer)

逐步線(xiàn)性逼近 Sigmoid 激勵函數。

FANN_SIGMOID_SYMMETRIC (integer)

對稱(chēng) Sigmoid 激勵函數， 又名：tanh.

FANN_SIGMOID_SYMMETRIC_STEPWISE (integer)

逐步線(xiàn)性逼近對稱(chēng) Sigmoid 激勵函數。

FANN_GAUSSIAN (integer)

Gaussian (高斯) 激勵函數。

FANN_GAUSSIAN_SYMMETRIC (integer)

對稱(chēng) gaussian (高斯)激勵函數。

FANN_GAUSSIAN_STEPWISE (integer)

逐步 gaussian (高斯)激勵函數。

FANN_ELLIOT (integer)

快速(類(lèi)sigmoid)激勵函數，由 David Elliott 定義的。

FANN_ELLIOT_SYMMETRIC (integer)

快速(類(lèi)對稱(chēng)sigmoid)激勵函數，由 David Elliott定義的。

FANN_LINEAR_PIECE (integer)

有界線(xiàn)性激勵函數。

FANN_LINEAR_PIECE_SYMMETRIC (integer)

有界線(xiàn)性激勵函數。

FANN_SIN_SYMMETRIC (integer)

周期sin(正弦)激勵函數。

FANN_COS_SYMMETRIC (integer)

周期cos(余弦)激勵函數。

FANN_SIN (integer)

周期sin(正弦)激勵函數。

FANN_COS (integer)

周期cos(余弦)激勵函數。

Error function used during training

FANN_ERRORFUNC_LINEAR (integer)

標準線(xiàn)性誤差函數。

FANN_ERRORFUNC_TANH (integer)

Tanh 誤差函數， 通常更好但是要求更低的學(xué)習率。該誤差函數當有目標輸出時(shí)將會(huì )和期望值有很大的不同，然而沒(méi)有目標輸出時(shí)只有很小不同。此激勵函數在層疊訓練和增量訓練。

Stop criteria used during training

FANN_STOPFUNC_MSE (integer)

停止準則是均方誤差(MSE)值。

FANN_STOPFUNC_BIT (integer)

停止準則是失敗時(shí)的比特位數。比特位數意味著(zhù)輸出神經(jīng)元的個(gè)數超過(guò)了失敗時(shí)的比特位數 (參考 fann_get_bit_fail_limit, fann_set_bit_fail_limit). 位數在所有的訓練數據中都會(huì )被計數，所以這個(gè)數組將會(huì )比訓練數據的數量更高。

fann_get_network_type() 是用來(lái)定義網(wǎng)絡(luò )類(lèi)型

FANN_NETTYPE_LAYER (integer)

每一層只能連接下一層。

FANN_NETTYPE_SHORTCUT (integer)

每一層與所有以下層有連接。

Errors

FANN_E_NO_ERROR (integer)

無(wú)誤差。

FANN_E_CANT_OPEN_CONFIG_R (integer)

無(wú)法打開(kāi)讀取配置文件。

FANN_E_CANT_OPEN_CONFIG_W (integer)

無(wú)法打開(kāi)寫(xiě)入配置文件。

FANN_E_WRONG_CONFIG_VERSION (integer)

配置文件的錯誤版本。

FANN_E_CANT_READ_CONFIG (integer)

從配置文件讀取信息的錯誤。

FANN_E_CANT_READ_NEURON (integer)

從配置文件讀取神經(jīng)元信息的錯誤。

FANN_E_CANT_READ_CONNECTIONS (integer)

從配置文件讀取連接的錯誤。

FANN_E_WRONG_NUM_CONNECTIONS (integer)

連接數和期望的值不相等。

FANN_E_CANT_OPEN_TD_W (integer)

無(wú)法打開(kāi)訓練數據文件寫(xiě)入內容。

FANN_E_CANT_OPEN_TD_R (integer)

無(wú)法打開(kāi)訓練數據文件讀取內容。

FANN_E_CANT_READ_TD (integer)

從文件讀取訓練數據錯誤。

FANN_E_CANT_ALLOCATE_MEM (integer)

無(wú)法分配內存。

FANN_E_CANT_TRAIN_ACTIVATION (integer)

無(wú)法使用已選的激勵函數訓練。

FANN_E_CANT_USE_ACTIVATION (integer)

無(wú)法使用已選的激勵函數。

FANN_E_TRAIN_DATA_MISMATCH (integer)

兩個(gè) fann_train_data 結構體之間存在不可調和的差異。

FANN_E_CANT_USE_TRAIN_ALG (integer)

不能使用已選的訓練算法。

FANN_E_TRAIN_DATA_SUBSET (integer)

嘗試獲取不在訓練集內的子集。

FANN_E_INDEX_OUT_OF_BOUND (integer)

索引超出了界限。

FANN_E_SCALE_NOT_PRESENT (integer)

標定參數不存在。

FANN_E_INPUT_NO_MATCH (integer)

在人工神經(jīng)網(wǎng)絡(luò )和數據中的輸入神經(jīng)元個(gè)數不匹配。

FANN_E_OUTPUT_NO_MATCH (integer)

在人工神經(jīng)網(wǎng)絡(luò )和數據中的輸出神經(jīng)元個(gè)數不匹配。