darch包是建立于Hinton和Salakhutdinov的MATLAB代码之上的，其实现方法包括了对比散度预训练算法和微调算法（如反向传播法或共轭梯度法）。
darch（x， #输入数据矩阵或data.frame（默认）
y #目标数据矩阵或data.frame，依赖于x是矩阵还是data.frame而定
layers=10， #每一层神经元数量
layers是一个向量。默认是c（a，10，b），其中a是训练数据的列数；b是目标的列数。如果这个长度为1，那么它就作为隐藏层神经元的数量，而不是层的数量。
bootstrap.unique表示是否采用特定的样本用于训练（默认为TRUE1），如果取值FALSE，则采用所有样本用于训练。采用所有样本将导致训练开销增大。注意：如果bootstrap.num大于0，bootstrap.unique选项将被忽略。
darch.fineTuneFunction表示微调函数。可能的取值包括backpropag-ation（默认）、rpropagation、minimizeClassifier和minimizeAutoencoder（非监督学习）。
darch.initialMomentum=0.5， #微调阶段的初始动量
darch.isClass=T， #微调阶段输出是否应该被视作类标签
darch.maxout.poolSize=2， #当使用maxout激活函数时，池化的尺寸（maxout）
darch.maxout.unitFunction=linearUnit，#maxout使用的初始值
darch.momentumRampLength=1，
darch.momentumRampLength参数与训练阶段的总体数量有关，即多少个阶段后，动量应该达到darch.finalMomentum？值为1表明应该在最后时期达到darch.finalMo-mentum，值为0.5表明应该在一半的训练完成后达到darch.finalMomentum。注意，如果训练恢复到darch.initialMomentum和darch.finalMomentum相同的参数，这将导致动量坡道中的碰撞。在恢复训练时，可将darch.momentumRampLength设置为0以避免这一问题。
darch.nesterovMomentum=T， #是否使用Nesterov加速
darch.numEpochs=100， #微调的次数
darch.returnBestModel=T， #在训练的最后是否返回最好的模型，而不是在微调后
darch.returnBestModel.validationErrorFactor=1-exp（-1），
当使用验证数据评估模型时，与训练错相比，验证错误应该被赋予多高的值？这个值介于0到1之间。默认情况下，这个值是1-e1。训练误差因素和验证误差因素总会增加到1。因此，如果在这里超过了1，训练误差将会被忽略；如果在这里超过了0，验证误差将会被忽略。
darch.stopClassErr=-Inf， #当分类错误低于该值，训练就停止
darch.stopErr=-Inf， #当错误函数低于该值，训练就会停止
darch.stopValidClassErr=-Inf， #当验证数据上的分类错误低于该值，训练就会停止
darch.stopValidErr=-Inf， #当验证数据上的误差函数的值低于该值，训练就会停止
darch.trainLayers=T， #是否训练所有层
darch.unitFunction=sigmoidUnit，
层1的长度数的层函数或者层向量函数。注意：第一个条目表明层1和层2之间的层函数，也就是层2的输出；层1没有层函数，因为输入值被直接使用。可能的函数包括linearUnit、sigmoidUnit、tanhUnit、rectifiedLinearUnit、softplusUnit、soft-maxUnit和maxoutUnit。
darch.weightDecay=0， #权重衰减系数，默认是0
darch.weightUpdateFunction=weightDecayWeightUpdate，
权重更新函数或者权重向量更新函数darch.weightUpdateFunction与darch.unitFunction非常相似，权重更新函数包括weightDecayWeightUpdate和maxoutWeightUpdate。
注意：maxoutWeightUpdate必须在maxout激活函数之后使用。
dataSet=NULL， #来源于darch.DataSet（），可以手动指定
dataSetValid=NULL， #DataSet包含验证数据的实例
generateWeightsFunction=generateWeightsGlorotUniform，
#层1长度数的权重产生函数或者层向量产生函数
gputools=F， #是否对矩阵乘法使用gputools
gputools.deviceId=0， #指定用于GPU混合乘法使用的设备(www.xing528.com)
logLevel=NULL，
logLevel表示futile.logger日志级别。默认使用当前设定的日志级别，如果没有被改变则是futile.logger：：flog.info。其他可能的等级（从最精简到最详细）包括FA-TAL、ERROR、WARN、DEBUG和TRACE。
normalizeWeights=F， #是否归一化权重
normalizeWeightsBound=15， #收益权重向量的L2 norm上界
preProc.factorToNumeric=F， #是否把因子都要转换成数值型
preProc.factorToNumeric.targets=F， #是否所有的因子都要转换成目标数据中的数值型
preProc.fullRank=T， #是否使用满秩编码
preProc.fullRank.targets=F， #是否使用目标数据的满秩编码
preProc.orderedToFactor.targets=T， #目标数据中的有序因子转换成无序因子
注意：有序因子通过dummyVars转换成数值型，而且不再用于分类任务。
preProc.params=F， #传递给preProcess函数的参数列表
preProc.targets=F，
preProc.targets表示是否以目标数据为中心，是否扩展。与preProc.params不同，当预测新数据时，由于这一预处理必须恢复，所以这仅仅是一种用于目标数据使用和关闭的逻辑转换预处理。对于回归任务最有用。
注意：这将使原始网络倾斜。
rbm.allData=F， #是否将训练和验证数据用于预训练
rbm.batchSize=1， #训练块的大小
rbm.consecutive=T，
rbm.consecutive表示是否一次rbm.numEpochs阶段（TRUE，默认）训练一个RBMs或者一阶段交替训练每个RBM（FALSE）。
rbm.errorFunction=mseError，
rbm.errorFunction表示预训练期间的误差函数。这仅仅用于评估RBM误差，不影响训练本身。可能的误差函数包括mseError和rmseError。
rbm.finalMomentum=0.9， #预训练期间的最后动量
rbm.initialMomentum=0.5， #预训练期间的初始动量
rbm.lastLayer=0，
rbm.lastLayer表明在哪一层停止预训练。可能的取值包括0，意味着训练所有层；正整数，意味着RBM中rbm.lastLayer形成可见层之后停止训练；负整数，意味着在来源于顶层RBM的rbm.lastLayer RBM停止训练。
rbm.learnRate=1， #预训练期间的学习速率
rbm.learnRateScale=1， #每个阶段后学习速率将会乘以这个值
rbm.momentumRampLength=1，
rbm.momentumRampLength参数表示多少个与rbm.numEpochs相关阶段后，动量应该达到rbm.finalMomentum？值为1表明rbm.finalMomentum应该在最后阶段达到，值0.5表明rbm.finalMomentum应该在训练完成一半时达到。
【例11.1】训练有效误差测试。
＞library（darch）
＞data（iris）
＞model＜-darch（Species～.，iris，darch.errorFunction=＂crossEntropyError＂）
运行结果显示如下：
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
