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。

FANN_TRAIN_INCREMENTAL ( integer): 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 ( integer): 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 ( integer): 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 ( integer): 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 ( integer): 更高级的训练算法，只在2.2版本中可用。

FANN_LINEAR ( integer): 线性激励函数。
FANN_THRESHOLD ( integer): 阈值激励函数。
FANN_THRESHOLD_SYMMETRIC ( integer): 阈值激励函数。
FANN_SIGMOID ( integer): Sigmoid激励函数。
FANN_SIGMOID_STEPWISE ( integer): 逐步线性逼近 Sigmoid 激励函数。
FANN_SIGMOID_SYMMETRIC ( integer): 对称 Sigmoid 激励函数，又名：tanh.
FANN_SIGMOID_SYMMETRIC_STEPWISE ( integer): 逐步线性逼近对称 Sigmoid 激励函数。
FANN_GAUSSIAN ( integer): Gaussian (高斯) 激励函数。
FANN_GAUSSIAN_SYMMETRIC ( integer): 对称 gaussian (高斯)激励函数。
FANN_GAUSSIAN_STEPWISE ( integer): 逐步 gaussian (高斯)激励函数。
FANN_ELLIOT ( integer): 快速(类sigmoid)激励函数，由 David Elliott 定义的。
FANN_ELLIOT_SYMMETRIC ( integer): 快速(类对称sigmoid)激励函数，由 David Elliott定义的。
FANN_LINEAR_PIECE ( integer): 有界线性激励函数。
FANN_LINEAR_PIECE_SYMMETRIC ( integer): 有界线性激励函数。
FANN_SIN_SYMMETRIC ( integer): 周期sin(正弦)激励函数。
FANN_COS_SYMMETRIC ( integer): 周期cos(余弦)激励函数。
FANN_SIN ( integer): 周期sin(正弦)激励函数。
FANN_COS ( integer): 周期cos(余弦)激励函数。

FANN_ERRORFUNC_LINEAR ( integer): 标准线性误差函数。
FANN_ERRORFUNC_TANH ( integer): 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只有很小不同。此激励函数在层叠训练和增量训练。

FANN_STOPFUNC_MSE ( integer): 停止准则是均方误差(MSE)值。
FANN_STOPFUNC_BIT ( integer): 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_NETTYPE_LAYER ( integer): 每一层只能连接下一层。
FANN_NETTYPE_SHORTCUT ( integer): 每一层与所有以下层有连接。

FANN_E_NO_ERROR ( integer): 无误差。
FANN_E_CANT_OPEN_CONFIG_R ( integer): 无法打开读取配置文件。
FANN_E_CANT_OPEN_CONFIG_W ( integer): 无法打开写入配置文件。
FANN_E_WRONG_CONFIG_VERSION ( integer): 配置文件的错误版本。
FANN_E_CANT_READ_CONFIG ( integer): 从配置文件读取信息的错误。
FANN_E_CANT_READ_NEURON ( integer): 从配置文件读取神经元信息的错误。
FANN_E_CANT_READ_CONNECTIONS ( integer): 从配置文件读取连接的错误。
FANN_E_WRONG_NUM_CONNECTIONS ( integer): 连接数和期望的值不相等。
FANN_E_CANT_OPEN_TD_W ( integer): 无法打开训练数据文件写入内容。
FANN_E_CANT_OPEN_TD_R ( integer): 无法打开训练数据文件读取内容。
FANN_E_CANT_READ_TD ( integer): 从文件读取训练数据错误。
FANN_E_CANT_ALLOCATE_MEM ( integer): 无法分配内存。
FANN_E_CANT_TRAIN_ACTIVATION ( integer): 无法使用已选的激励函数训练。
FANN_E_CANT_USE_ACTIVATION ( integer): 无法使用已选的激励函数。
FANN_E_TRAIN_DATA_MISMATCH ( integer): 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 ( integer): 不能使用已选的训练算法。
FANN_E_TRAIN_DATA_SUBSET ( integer): 尝试获取不在训练集内的子集。
FANN_E_INDEX_OUT_OF_BOUND ( integer): 索引超出了界限。
FANN_E_SCALE_NOT_PRESENT ( integer): 标定参数不存在。
FANN_E_INPUT_NO_MATCH ( integer): 在人工神经网络和数据中的输入神经元个数不匹配。
FANN_E_OUTPUT_NO_MATCH ( integer): 在人工神经网络和数据中的输出神经元个数不匹配。