预定义常量

下列常量由此扩展定义，且仅在此扩展编译入 PHP 或在运行时动态载入时可用。

训练算法

FANN_TRAIN_INCREMENTAL (int)

标准反向传播算法，每次训练匹配后权重都会更新。这意味着在每个单历元中权重会被更新很多次。因为这个原因，很多问题使用这个算法将会训练的非常快，然而其他更高级的问题的训练效果不是很好。

FANN_TRAIN_BATCH (int)

标准反向传播算法，计算均方差误差后权重值将会更新。 这意味着每个单历元只会更新一次。因为这个原因，很多问题使用这个算法会训练的很慢。但是计算出的均方差误差比增量训练的效果更好，使用这个算法某些问题将会得到更好的解决方案。

FANN_TRAIN_RPROP (int)

一个更高级的批训练算法，对于很多问题该算法还会获得很好的结果。RPROP 训练算法是自适应的，因此不需要使用 learning_rate. 其他一些参数用来设置 RPROP 算法工作的方式，只推荐给那些知道 RPROP 算法如何工作的人来设置。RPROP 训练算法是被 Riedmiller 和 BraunSome 在1993年提出来的，实际上此处使用的是由 Igel 和 Husken 在2000年提出来的 iRPROP 训练算法，它是标准 RPROP 训练算法的一个变种。

FANN_TRAIN_QUICKPROP (int)

一个更高级的批训练算法，对于很多问题该算法还会获得很好的结果。quickprop 训练算法使用 learning_rate 参数和其他更高级的参数， 但是只有当用户真正明白 quickprop 训练算法如何工作的时候才建议修改这些高级参数。 quickprop 训练算法是被 Fahlman 在1988年描述的。

FANN_TRAIN_SARPROP (int)

更高级的训练算法，只在2.2版本中可用。

Activation functions

FANN_LINEAR (int)

线性激励函数。

FANN_THRESHOLD (int)

阈值激励函数。

FANN_THRESHOLD_SYMMETRIC (int)

阈值激励函数。

FANN_SIGMOID (int)

Sigmoid激励函数。

FANN_SIGMOID_STEPWISE (int)

逐步线性逼近 Sigmoid 激励函数。

FANN_SIGMOID_SYMMETRIC (int)

对称 Sigmoid 激励函数， 又名：tanh.

FANN_SIGMOID_SYMMETRIC_STEPWISE (int)

逐步线性逼近对称 Sigmoid 激励函数。

FANN_GAUSSIAN (int)

Gaussian (高斯) 激励函数。

FANN_GAUSSIAN_SYMMETRIC (int)

对称 gaussian (高斯)激励函数。

FANN_GAUSSIAN_STEPWISE (int)

逐步 gaussian (高斯)激励函数。

FANN_ELLIOT (int)

快速(类sigmoid)激励函数，由 David Elliott 定义的。

FANN_ELLIOT_SYMMETRIC (int)

快速(类对称sigmoid)激励函数，由 David Elliott定义的。

FANN_LINEAR_PIECE (int)

有界线性激励函数。

FANN_LINEAR_PIECE_SYMMETRIC (int)

有界线性激励函数。

FANN_SIN_SYMMETRIC (int)

周期sin(正弦)激励函数。

FANN_COS_SYMMETRIC (int)

周期cos(余弦)激励函数。

FANN_SIN (int)

周期sin(正弦)激励函数。

FANN_COS (int)

周期cos(余弦)激励函数。

Error function used during training

FANN_ERRORFUNC_LINEAR (int)

标准线性误差函数。

FANN_ERRORFUNC_TANH (int)

Tanh 误差函数；通常更好但是要求更低的学习率。该误差函数当有目标输出时将会和期望值有很大的不同，然而没有目标输出时略有不同。不推荐用于级联或增量训练。

Stop criteria used during training

FANN_STOPFUNC_MSE (int)

停止准则是均方误差(MSE)值。

FANN_STOPFUNC_BIT (int)

停止准则是失败时的比特位数。比特位数意味着输出神经元的个数超过了失败时的比特位数 (参考 fann_get_bit_fail_limit, fann_set_bit_fail_limit). 位数在所有的训练数据中都会被计数，所以这个数组将会比训练数据的数量更高。

fann_get_network_type() 是用来定义网络类型

FANN_NETTYPE_LAYER (int)

每一层只能连接下一层。

FANN_NETTYPE_SHORTCUT (int)

每一层与所有以下层有连接。

Errors

FANN_E_NO_ERROR (int)

无误差。

FANN_E_CANT_OPEN_CONFIG_R (int)

无法打开读取配置文件。

FANN_E_CANT_OPEN_CONFIG_W (int)

无法打开写入配置文件。

FANN_E_WRONG_CONFIG_VERSION (int)

配置文件的错误版本。

FANN_E_CANT_READ_CONFIG (int)

从配置文件读取信息的错误。

FANN_E_CANT_READ_NEURON (int)

从配置文件读取神经元信息的错误。

FANN_E_CANT_READ_CONNECTIONS (int)

从配置文件读取连接的错误。

FANN_E_WRONG_NUM_CONNECTIONS (int)

连接数和期望的值不相等。

FANN_E_CANT_OPEN_TD_W (int)

无法打开训练数据文件写入内容。

FANN_E_CANT_OPEN_TD_R (int)

无法打开训练数据文件读取内容。

FANN_E_CANT_READ_TD (int)

从文件读取训练数据错误。

FANN_E_CANT_ALLOCATE_MEM (int)

无法分配内存。

FANN_E_CANT_TRAIN_ACTIVATION (int)

无法使用已选的激励函数训练。

FANN_E_CANT_USE_ACTIVATION (int)

无法使用已选的激励函数。

FANN_E_TRAIN_DATA_MISMATCH (int)

两个 fann_train_data 结构体之间存在不可调和的差异。

FANN_E_CANT_USE_TRAIN_ALG (int)

不能使用已选的训练算法。

FANN_E_TRAIN_DATA_SUBSET (int)

尝试获取不在训练集内的子集。

FANN_E_INDEX_OUT_OF_BOUND (int)

索引超出了界限。

FANN_E_SCALE_NOT_PRESENT (int)

标定参数不存在。

FANN_E_INPUT_NO_MATCH (int)

在人工神经网络和 data 中的输入神经元个数不匹配

FANN_E_OUTPUT_NO_MATCH (int)

在人工神经网络和数据中的输出神经元个数不匹配。