创建并训练用于时间序列分类、回归和预测任务的网络。训练长短期记忆(LSTM)网络用于序列到1或序列到标签的分类和回归问题。您可以使用单词嵌入层(需要文本分析工具箱™)在文本数据上训练LSTM网络,或者使用频谱图在音频数据上训练卷积神经网络(需要音频工具箱™)。
深度网络设计器 | 设计、可视化和训练深度学习网络 |
ConfusionMatrixChart属性 | 混淆矩阵图表外观和行为 |
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1-D卷积神经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进行分类。
这个例子展示了如何使用深度学习来预测发动机的剩余使用寿命(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。
这个例子展示了如何通过结合预先训练的图像分类模型和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先训练的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一个深度学习模型来进行图像配图。
这个例子展示了如何使用自定义的迷你批处理数据存储在内存不足的序列数据上训练深度学习网络。
这个例子展示了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时态卷积网络(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可以检测化学过程中的故障的神经网络。
在深度网络设计器中交互式地构建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预测Simulink®中训练好的循环神经网络的响应金宝app有状态的预测
块。
这个例子展示了如何在Simulink®中为训练好的循环神经网络分类数据金宝app有状态的分类
块。
了解长短期记忆(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。
在MATLAB中使用卷积神经网络进行分类和回归,包括预训练网络和迁移学习,以及在gpu、cpu、集群和云上进行训练,从而发现深度学习功能。
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。