时间序列、序列和文本的深度学习
创建和培训时间序列分类，回归和预测任务。用于序列到一个或序列到标签分类和回归问题的列车长短短期内存（LSTM）网络。您可以使用Word嵌入层（需要文本Analytics Toolbox™）或使用频谱图上的卷积神经网络（需要音频工具箱™）的卷积神经网络训练LSTM网络。
应用程序
| 深网络设计师 | 设计、可视化和训练深度学习网络 |
功能
块
属性
| confusionmatrixchart属性 | 困惑矩阵图表外观和行为 |
例子和如何
序列和时间序列
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。
此示例显示如何使用长短期内存（LSTM）网络对序列数据的每个时间步骤进行分类。
此示例显示如何通过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期内存（LSTM）网络预测时间序列数据。
这个例子展示了如何结合预先训练的图像分类模型和LSTM网络来创建一个视频分类网络。
这个例子展示了如何结合预先训练的图像分类模型和序列分类网络来创建一个视频分类网络。
此示例显示如何训练检测音频中的语音命令的存在的深度学习模型。
这个例子展示了如何训练一个深度学习模型来使用注意力进行图像字幕。
此示例显示如何使用自定义迷你批处理数据存储训练内存序列数据的深度学习网络。
此示例显示如何通过提取激活来调查和可视化LSTM网络学习的功能。
该示例显示如何使用通用时间卷积网络（TCN）对序列数据进行分类。
此示例说明如何使用模拟数据训练可以在化学过程中检测故障的神经网络。
交互式建立和编辑深度学习网络。
这个例子展示了如何使用Deep network Designer创建一个简单的长短期记忆(LSTM)分类网络。
这个例子展示了如何在Simulink®中使用金宝app有状态预测块。
这个例子展示了如何在Simulink®中使用金宝app有状态分类块。
文本数据
此示例显示如何使用深度学习长期短期内存（LSTM）网络对文本数据进行分类。
此示例显示如何使用卷积神经网络对文本数据进行分类。
此示例显示如何对具有多个独立标签的文本数据进行分类。
此示例显示如何使用转换的数据存储对存储器外部文本数据进行分类。
此示例显示如何使用重复序列 - 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期记忆(LSTM)网络生成文本。
此示例显示如何培训深度学习LSTM网络以使用字符嵌入式生成文本。
这个例子展示了如何训练一个深度学习LSTM网络来逐字生成文本。
这个例子展示了如何使用自动编码器生成文本数据。
此示例显示如何定义文本编码器模型函数。
此示例显示如何定义文本解码器模型函数。
概念
了解长期内存（LSTM）网络。
发现MATLAB中所有的深度学习层®．
了解如何在深度学习应用程序中使用数据存储。
利用卷积神经网络进行分类和回归，在MATLAB中发现深度学习能力，包括预训练网络和迁移学习，以及在gpu、cpu、集群和云上的训练。
学习如何提高深度学习网络的准确性。
发现各种深度学习任务的数据集。
特色的例子
您还可以从以下列表中选择一个网站：
