利用时间序列、序列和文本进行深度学习
为时间序列分类、回归和预测任务创建和训练网络。训练长-短期记忆（LSTM）网络，使其序列对一或序列标记分类和回归问题。您可以使用单词嵌入层（需要文本分析工具箱）在文本数据上训练LSTM网络™) 或使用频谱图对音频数据进行卷积神经网络（需要音频工具箱™).
应用程序
| 深度网络设计器 | 设计、可视化和培训深度学习网络 |
功能
阻碍
性质
| ConfusionMatrixChart属性 | 混淆矩阵图的外观和行为 |
示例和如何
序列和时间序列
这个例子展示了如何使用长短时记忆（LSTM）网络对序列数据进行分类。
这个例子展示了如何使用长短期记忆(LSTM)网络对序列数据的每个时间步骤进行分类。
这个示例展示了如何使用深度学习来预测引擎的剩余使用寿命(RUL)。
此示例显示了如何使用长-短记忆（LSTM）网络预测时间序列数据。
此示例演示如何通过结合预训练图像分类模型和LSTM网络来创建视频分类网络。
这个例子展示了如何通过结合预训练图像分类模型和序列分类网络来创建视频分类网络。
这个例子展示了如何训练一个深度学习模型来检测音频中是否存在语音命令。
这个例子展示了如何使用注意力训练图像字幕的深度学习模型。
这个例子展示了如何使用一个定制的小批量数据存储，在内存不足的序列数据上训练一个深度学习网络。
此示例显示如何通过提取激活来调查和可视化LSTM网络学习的特征。
这个例子展示了如何使用通用的时间卷积网络（TCN）对序列数据的每个时间步进行分类。
这个例子展示了如何使用模拟数据来训练一个能够检测化学过程中故障的神经网络。
以交互方式构建和编辑深度学习网络。
使用Deep Network Designer创建简单的序列分类网络
此示例演示如何使用Deep network Designer创建简单的长短时记忆（LSTM）分类网络。
此示例显示了如何使用金宝app有状态预测块
此示例显示了如何使用金宝app有状态分类块
文本数据
这个例子展示了如何使用深度学习长短时记忆（LSTM）网络对文本数据进行分类。
这个例子展示了如何使用卷积神经网络对文本数据进行分类。
此示例演示如何对具有多个独立标签的文本数据进行分类。
此示例演示如何使用转换后的数据存储，通过深度学习网络对内存不足的文本数据进行分类。
这个示例演示了如何使用循环序列到序列编码器-解码器模型将十进制字符串转换为罗马数字。
这个例子展示了如何训练深度学习长短时记忆（LSTM）网络来生成文本。
这个例子展示了如何训练一个深度学习LSTM网络来使用字符嵌入生成文本。
这个例子展示了如何训练一个深入学习的LSTM网络来逐字生成文本。
此示例演示如何使用自动编码器生成文本数据。
此示例演示如何定义文本编码器模型函数。
此示例演示如何定义文本解码器模型函数。
概念
了解长短时记忆（LSTM）网络。
在MATLAB中发现所有深度学习层®.
了解如何在深度学习应用程序中使用数据存储。
使用卷积神经网络进行分类和回归，包括预训练网络和转移学习，以及GPU、CPU、群集和云上的培训，在MATLAB中发现深度学习能力。
了解如何提高深度学习网络的准确性。
为各种深度学习任务发现数据集。
特色实例
您还可以从以下列表中选择网站：
