基于深度学习的序列分类
此示例显示如何使用长短短期内存（LSTM）网络对序列数据进行分类。
为了训练深度神经网络对序列数据进行分类，可以使用LSTM网络。LSTM网络允许您将序列数据输入到网络中，并根据序列数据的单个时间步长进行预测。
此示例使用如[1]和[2]中所述的日语元音数据集。该示例列举了LSTM网络，以识别给定的时间序列数据代表连续使用的两个日本元音。培训数据包含九个扬声器的时间序列数据。每个序列具有12个特征，长度变化。数据集包含270个培训观察和370个测试观察。
加载序列数据
加载日语元音培训数据。XTrain是包含不同长度的270个尺寸12的细胞阵列。Y为标签“1”，“2”，…，“9”，对应的是9个说话者。的条目XTrain是具有12行的矩阵（每个特征的一行）和不同数量的列（每次步骤一列）。
[Xtrain，Ytrain] = JapanesevowelstrainData;XTrain（1：5）
ans =.5×1个单元阵列{12x20 double} {12x26 double} {12x22 double} {12x20 double}
想象情节中的第一个时间序列。每一行对应一个特征。
图绘图（XTrain {1}'）XLabel（“时间步”） 标题（“培训观察1”）numfeatures = size（xtrain {1}，1）;传奇（“特征 ”+字符串(1:numFeatures),'地点'，“northeastoutside”）
准备填充数据
在训练期间，默认情况下，软件将训练数据分成小批，并填充序列，使它们具有相同的长度。过多的填充会对网络性能产生负面影响。
为了防止训练过程添加太多的填充，可以按序列长度对训练数据进行排序，并选择一个迷你批大小，以便迷你批中的序列具有相似的长度。下图展示了数据排序前后填充序列的效果。
获取每个观察的序列长度。
numObservations =元素个数(XTrain);为i = 1：numobservations sequence = xtrain {i};Sequencelengths（i）=大小（序列，2）;结束
按序列长度对数据排序。
[sequenceLengths, idx] = (sequenceLengths)进行排序;XTrain = XTrain (idx);YTrain = YTrain (idx);
在条形图中查看排序的序列长度。
图栏（Sequencelength）Ylim（[030]）XLabel（“序列”）ylabel（“长度”） 标题（“排序数据”）
选择27的小批大小，均匀分割训练数据，减少小批中的填充量。下图说明了添加到序列中的填充。
miniBatchSize = 27个;
定义LSTM网络架构
定义LSTM网络架构。将输入大小指定为尺寸12的序列（输入数据的尺寸）。指定具有100个隐藏单元的双向LSTM层，并输出序列的最后一个元素。最后，通过包括一个完全连接的大小9层来指定九类，然后是Softmax层和分类层。
如果您可以在预测时间访问完整序列，则可以在网络中使用双向LSTM层。双向LSTM层在每次步骤中从完整序列学习。例如，如果您没有访问预测时间的完整序列，例如，如果您是预测值或一次预测一次，则使用LSTM层。
inputSize = 12;numHiddenUnits = 100;numClasses = 9;层= [．．．sequenceInputLayer inputSize bilstmLayer (numHiddenUnits,“OutputMode”，“最后一次”)软连接层(numClasses)
Layer = 5x1 Layer array with layers: 1”Sequence Input with Sequence Input with 12 dimensions 2”BiLSTM BiLSTM with 100 hidden units 3”Fully Connected 9 Fully Connected Layer 4”Softmax Softmax 5”Classification Output crossentropyex .全连接层
现在，指定培训选项。指定要使用的求解器“亚当”，梯度阈值为1，最大纪元数为100。为了减少小批量中填充的数量，选择一个27的小批量。若要填充数据使其具有与最长序列相同的长度，请指定序列的长度'最长'．为确保数据保持按顺序长度保持排序，请指定永远不会破坏数据。
由于迷你批很小，序列很短，所以训练更适合CPU。指定“ExecutionEnvironment”是“cpu”．在GPU上训练，如果有的话，设置“ExecutionEnvironment”来“汽车”（这是默认值）。
maxEpochs = 100;miniBatchSize = 27个;选择= trainingOptions (“亚当”，．．．“ExecutionEnvironment”，“cpu”，．．．'gradientthreshold'，1，．．．“MaxEpochs”maxEpochs,．．．“MiniBatchSize”，小匹马，．．．'sequencelength'，'最长'，．．．'洗牌'，“永远”，．．．'verbose'，0，．．．“阴谋”，“训练进步”）;
火车LSTM网络
使用指定的训练选项来训练LSTM网络Trainnetwork.．
net = trainnetwork（xtrain，ytrain，图层，选项）;
测试LSTM网络
加载测试集并将序列分类为扬声器。
加载日语元音测试数据。XTest.是包含不同长度的370尺寸12的细胞阵列。ytest.为标签“1”，“2”，…“9”，对应9个发言者。
[xtest，ytest] =日本韦沃尔斯特迪塔XTEST（1：3）
ans =.3×1单元阵列{12x19 double} {12x17 double} {12x19 double}
LSTM网络网使用相似长度的小批量序列进行训练。确保以相同的方式组织测试数据。按序列长度对测试数据进行排序。
numobservationstest = numel（xtest）;为i=1:numObservationsTest序列= XTest{i};sequenceLengthsTest (i) =(序列,2)大小;结束[SequenceLengdentStest，IDX] =排序（SequenceLengdentStest）;xtest = xtest（idx）;ytest = ytest（idx）;
分类测试数据。为减少分类过程引入的填充量，将迷你批量大小设置为27.要将与训练数据相同的填充，请指定序列长度'最长'．
miniBatchSize = 27个;ypred =分类（net，xtest，．．．“MiniBatchSize”，小匹马，．．．'sequencelength'，'最长'）;
计算预测的分类精度。
ACC = SUM（YPRED == ytest）./ numel（ytest）
ACC = 0.9730.
参考
[1] M. Kudo，J. Toyama和M. Shimbo。“使用过度区域的多维曲线分类。”模式识别字母．卷。20，第11-13页，第1103-1111页。
［2］UCI机器学习存储库：日语元音数据集．https://archive.ics.uci.edu/ml/datasets/Japanese+Vowels
另请参阅
Trainnetwork.|培训选项|lstmlayer.|Bilstmlayer.|sequenceInputLayer
相关的话题
您还可以从以下列表中选择一个网站：
