利用时间序列、序列和文本进行深度学习
创建和训练时间序列分类、回归和预测任务的网络。训练长短期记忆(LSTM)网络，用于序列对一或序列到标签的分类和回归问题。您可以使用单词嵌入层(需要text Analytics Toolbox™)对文本数据训练LSTM网络，或者使用光谱图对音频数据训练卷积神经网络(需要audio Toolbox™)。
应用程序
| 深层网络设计师 | 设计、可视化和培训深度学习网络 |
功能
块
性质
| ConfusionMatrixChart属性 | 混淆矩阵图的外观和行为 |
例子和如何做
序列与时间序列
这个例子展示了如何使用长短期记忆(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)。
这个例子展示了如何使用长短期记忆(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语音命令的存在。
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自定义的迷你批处理数据存储对内存不足的序列数据训练深度学习网络。
这个例子展示了如何通过提取激活来研究和可视化LSTM网络学习的特征。
这个例子展示了如何使用一个通用的时间卷积网络(TCN)对序列数据的每个时间步骤进行分类。
这个例子展示了如何使用模拟数据来训练神经网络来检测化学过程中的故障。
以交互方式构建和编辑深度学习网络。
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有状态的预测块
此示例显示了如何使用金宝app有状态的分类块
文本数据
这个例子展示了如何使用深度学习长短期记忆(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。
这个示例展示了如何对具有多个独立标签的文本数据进行分类。
这个例子展示了如何用深度学习网络使用转换后的数据存储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。
这个例子展示了如何定义一个文本编码器模型函数。
这个例子展示了如何定义一个文本解码器模型函数。
概念
学习长短期记忆(LSTM)网络。
在MATLAB中发现所有深度学习层®.
学习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
你也可以从以下列表中选择一个网站:
