Name
clear_samples_class_mlpclear_samples_class_mlpClearSamplesClassMlpclear_samples_class_mlpClearSamplesClassMlpClearSamplesClassMlp — Löschen aller Trainingsdaten eines mehrschichtigen Perzeptrons.
Herror clear_samples_class_mlp(const Hlong MLPHandle)
Herror T_clear_samples_class_mlp(const Htuple MLPHandle)
Herror clear_samples_class_mlp(const HTuple& MLPHandle)
clear_samples_class_mlpclear_samples_class_mlpClearSamplesClassMlpclear_samples_class_mlpClearSamplesClassMlpClearSamplesClassMlp löscht alle mit
add_sample_class_mlpadd_sample_class_mlpAddSampleClassMlpadd_sample_class_mlpAddSampleClassMlpAddSampleClassMlp oder read_samples_class_mlpread_samples_class_mlpReadSamplesClassMlpread_samples_class_mlpReadSamplesClassMlpReadSamplesClassMlp zu
dem mehrschichtigen Perzeptron (MLP) MLPHandleMLPHandleMLPHandleMLPHandleMLPHandleMLPHandle
hinzugefügten Trainingsmuster. Eine Verwendung von
clear_samples_class_mlpclear_samples_class_mlpClearSamplesClassMlpclear_samples_class_mlpClearSamplesClassMlpClearSamplesClassMlp ist nur dann sinnvoll, wenn das MLP
in demselben Prozess trainiert wird, in dem das MLP auch zur
Evaluierung mit evaluate_class_mlpevaluate_class_mlpEvaluateClassMlpevaluate_class_mlpEvaluateClassMlpEvaluateClassMlp oder zur Klassifikation
mit classify_class_mlpclassify_class_mlpClassifyClassMlpclassify_class_mlpClassifyClassMlpClassifyClassMlp verwendet wird. In diesem Fall kann
der durch die Trainingsmuster belegte Speicher mit
clear_samples_class_mlpclear_samples_class_mlpClearSamplesClassMlpclear_samples_class_mlpClearSamplesClassMlpClearSamplesClassMlp wieder freigegeben werden, und somit
Speicherplatz gespart werden. In der üblichen Verwendungsart, in
der das MLP offline trainiert wird und mit write_class_mlpwrite_class_mlpWriteClassMlpwrite_class_mlpWriteClassMlpWriteClassMlp
gespeichert wird, ist die Verwendung von
clear_samples_class_mlpclear_samples_class_mlpClearSamplesClassMlpclear_samples_class_mlpClearSamplesClassMlpClearSamplesClassMlp normalerweise überflüssig, da
write_class_mlpwrite_class_mlpWriteClassMlpwrite_class_mlpWriteClassMlpWriteClassMlp die Trainingsmuster nicht abspeichert, und
somit im Online-Prozess, der das MLP mit read_class_mlpread_class_mlpReadClassMlpread_class_mlpReadClassMlpReadClassMlp
einliest, auch kein Speicher für die Trainingsmuster benötigt
wird.
- Multithreading-Typ: reentrant (läuft parallel zu nicht-exklusiven Operatoren).
- Multithreading-Bereich: global (kann von jedem Thread aufgerufen werden).
- Wird ohne Parallelisierung verarbeitet.
Dieser Operator modifiziert den Zustand des folgenden Eingabeparameters:
Der Wert dieses Parameters darf nicht über mehrere Threads verwendet werden.
Sind die Parameterwerte korrekt, dann liefert
clear_samples_class_mlpclear_samples_class_mlpClearSamplesClassMlpclear_samples_class_mlpClearSamplesClassMlpClearSamplesClassMlp den Wert 2 (H_MSG_TRUE). Gegebenenfalls wird
eine Fehlerbehandlung durchgeführt.
train_class_mlptrain_class_mlpTrainClassMlptrain_class_mlpTrainClassMlpTrainClassMlp,
write_samples_class_mlpwrite_samples_class_mlpWriteSamplesClassMlpwrite_samples_class_mlpWriteSamplesClassMlpWriteSamplesClassMlp
create_class_mlpcreate_class_mlpCreateClassMlpcreate_class_mlpCreateClassMlpCreateClassMlp,
clear_class_mlpclear_class_mlpClearClassMlpclear_class_mlpClearClassMlpClearClassMlp,
add_sample_class_mlpadd_sample_class_mlpAddSampleClassMlpadd_sample_class_mlpAddSampleClassMlpAddSampleClassMlp,
read_samples_class_mlpread_samples_class_mlpReadSamplesClassMlpread_samples_class_mlpReadSamplesClassMlpReadSamplesClassMlp
Foundation