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 或在運行時動態(tài)載入時可用。

FANN_TRAIN_INCREMENTAL (integer): 標準反向傳播算法，每次訓練匹配后權重都會更新。這意味著在每個單歷元中權重會被更新很多次。因為這個原因，很多問題使用這個算法將會訓練的非常快，然而其他更高級的問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更新。這意味著每個單歷元只會更新一次。因為這個原因，很多問題使用這個算法會訓練的很慢。但是計算出的均方差誤差比增量訓練的效果更好，使用這個算法某些問題將會得到更好的解決方案。
FANN_TRAIN_RPROP (integer): 一個更高級的批訓練算法，對于很多問題該算法還會獲得很好的結果。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設置。RPROP 訓練算法是被 Riedmiller 和 BraunSome 在1993年提出來的，實際上此處使用的是由 Igel 和 Husken 在2000年提出來的 iRPROP 訓練算法，它是標準 RPROP 訓練算法的一個變種。
FANN_TRAIN_QUICKPROP (integer): 一個更高級的批訓練算法，對于很多問題該算法還會獲得很好的結果。quickprop 訓練算法使用 learning_rate 參數和其他更高級的參數，但是只有當用戶真正明白 quickprop 訓練算法如何工作的時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。

FANN_LINEAR (integer): 線性激勵函數。
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): 逐步線性逼近 Sigmoid 激勵函數。
FANN_SIGMOID_SYMMETRIC (integer): 對稱 Sigmoid 激勵函數，又名：tanh.
FANN_SIGMOID_SYMMETRIC_STEPWISE (integer): 逐步線性逼近對稱 Sigmoid 激勵函數。
FANN_GAUSSIAN (integer): Gaussian (高斯) 激勵函數。
FANN_GAUSSIAN_SYMMETRIC (integer): 對稱 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sigmoid)激勵函數，由 David Elliott 定義的。
FANN_ELLIOT_SYMMETRIC (integer): 快速(類對稱sigmoid)激勵函數，由 David Elliott定義的。
FANN_LINEAR_PIECE (integer): 有界線性激勵函數。
FANN_LINEAR_PIECE_SYMMETRIC (integer): 有界線性激勵函數。
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。

FANN_ERRORFUNC_LINEAR (integer): 標準線性誤差函數。
FANN_ERRORFUNC_TANH (integer): Tanh 誤差函數，通常更好但是要求更低的學習率。該誤差函數當有目標輸出時將會和期望值有很大的不同，然而沒有目標輸出時只有很小不同。此激勵函數在層疊訓練和增量訓練。

FANN_STOPFUNC_MSE (integer): 停止準則是均方誤差(MSE)值。
FANN_STOPFUNC_BIT (integer): 停止準則是失敗時的比特位數。比特位數意味著輸出神經元的個數超過了失敗時的比特位數 (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被計數，所以這個數組將會比訓練數據的數量更高。

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。

FANN_E_NO_ERROR (integer): 無誤差。
FANN_E_CANT_OPEN_CONFIG_R (integer): 無法打開讀取配置文件。
FANN_E_CANT_OPEN_CONFIG_W (integer): 無法打開寫入配置文件。
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): 無法打開訓練數據文件寫入內容。
FANN_E_CANT_OPEN_TD_R (integer): 無法打開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): 無法分配內存。
FANN_E_CANT_TRAIN_ACTIVATION (integer): 無法使用已選的激勵函數訓練。
FANN_E_CANT_USE_ACTIVATION (integer): 無法使用已選的激勵函數。
FANN_E_TRAIN_DATA_MISMATCH (integer): 兩個 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): 在人工神經網絡和數據中的輸入神經元個數不匹配。
FANN_E_OUTPUT_NO_MATCH (integer): 在人工神經網絡和數據中的輸出神經元個數不匹配。