加载预先训练的词嵌入

数据存储textDatastore需要单词嵌入来将文档转换为向量序列。加载一个预先训练的词嵌入使用fastTextWordEmbedding．此功能需要文本分析工具箱™模型用于快速文本英语160亿令牌词嵌入金宝app支持包。如果没有安装此支金宝app持包，则该函数将提供下载链接。

emb = fastTextWordEmbedding;

创建文档的Mini-Batch数据存储

创建一个包含培训数据的数据存储。自定义的小批量数据存储textDatastore从CSV文件中读取预测器和标签。对于预测器，数据存储将文档转换为单词索引序列，对于响应，数据存储为每个文档返回一个分类标签。有关创建自定义小批量数据存储的详细信息，请参见开发自定义小批量数据存储(深度学习工具箱)．

对于培训数据，指定CSV文件“factoryReports.csv”文本和标签都在列中“描述”和“类别”分别。

filenameTrain =“factoryReports.csv”；textName =“描述”；labelName =“类别”；dsTrain = textDatastore (filenameTrain textName、labelName emb)

dsTrain = textDatastore with properties: ClassNames: ["Electronic Failure" "Leak" "Mechanical Failure" "Software Failure"]TransformedDatastore] embedingdimension: 300 LabelName:“类别”MiniBatchSize: 128 NumClasses: 4 nummobservations: 480

建立和培训LSTM网络

定义LSTM网络架构。要将序列数据输入到网络中，需要包含一个序列输入层，并设置输入大小为嵌入维数。接下来，包含一个带有180个隐藏单元的LSTM层。若要将LSTM层用于序列到标签的分类问题，请将输出模式设置为“最后一次”．最后，添加一个输出大小等于类数的全连接层、一个softmax层和一个分类层。

numFeatures = dsTrain.EmbeddingDimension;numHiddenUnits = 180;numClasses = dsTrain.NumClasses;层= [．..sequenceInputLayer numFeatures lstmLayer (numHiddenUnits,“OutputMode”，“最后一次”) fulllyconnectedlayer (numClasses) softmaxLayer classificationLayer;

指定培训选项。指定要使用的求解器“亚当”梯度阈值是2。数据存储textDatastore.m不支持洗牌，所以设金宝app置“洗牌”,“永远”．有关如何实现支持变换的数据存储的示例，请参见金宝app开发自定义小批量数据存储(深度学习工具箱)．为了监控训练进度，设置“阴谋”选项“训练进步”．要抑制verbose输出，请设置“详细”来假．

默认情况下,trainNetwork如果GPU可用，则使用GPU。要手动指定执行环境，请使用“ExecutionEnvironment”的名称-值对参数trainingOptions．在CPU上进行训练所花费的时间要比在GPU上花费的时间长得多。使用GPU的培训需要并行计算工具箱™和支持的GPU设备。金宝app有关支持的设备的信息，请参见金宝appGPU支金宝app持情况(并行计算工具箱)．

miniBatchSize = 128;numObservations = dsTrain.NumObservations;numIterationsPerEpoch = floor(nummobations / miniBatchSize);选择= trainingOptions (“亚当”，．..“MiniBatchSize”miniBatchSize,．..“GradientThreshold”2,．..“洗牌”，“永远”，．..“阴谋”，“训练进步”，．..“详细”、假);

训练LSTM网络使用trainNetwork函数。

网= trainNetwork (dsTrain层,选项);

使用新数据进行预测

对三个新报告的事件类型进行分类。创建包含新报告的字符串数组。

reportsNew = [“冷却剂在分拣机下面汇集。”“分类器在启动时烧断保险丝。”“从组装器里传出很响的咔哒声。”]；

使用预处理步骤作为数据存储对文本数据进行预处理textDatastore．

文件= tokenizedDocument (reportsNew);文件=低(文件);= erasePunctuation文件(文档);预测= doc2sequence (emb、文档);

用训练好的LSTM网络对新的序列进行分类。

预测labelsNew =分类(净)

labelsNew =3×1分类泄漏电子故障机械故障