基于深度学习的序列到序列分类
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。
要训练深度神经网络对序列数据的每个时间步长进行分类，可以使用序列到序列LSTM网络．序列到序列LSTM网络使您能够对序列数据的每个单独的时间步骤进行不同的预测。
本例使用的传感器数据来自佩戴在身上的智能手机。该示例训练LSTM网络识别穿戴者的活动，给定的时间序列数据代表三个不同方向的加速度计读数。训练数据包含7个人的时间序列数据。每个序列有三个特征，长度不同。数据集包含6个训练观测值和1个测试观测值。
加载序列数据
加载人类活动识别数据。该数据包含从佩戴在身上的智能手机获得的7个时间序列传感器数据。每个序列有三个特征，长度不同。这三个特征对应于加速度计在三个不同方向的读数。
负载HumanActivityTrainXTrain
XTrain =6×1单元阵列{3×64480 double} {3×53696 double} {3×56416 double} {3×50688 double} {3×51888 double} {3×54256 double}
在绘图中可视化一个训练序列。绘制第一训练序列的第一特征，并根据相应的活动彩色绘图。
X = XTrain {1} (1:);类=类别(YTrain {1});数字为J = 1:numel(classes) label = class (J);idx = find(YTrain{1} == label);持有在情节(idx X (idx))结束持有从Xlabel（“时间步”）ylabel（“加速”)标题(“训练序列1，功能1”)传说(类,'地点'，“西北”）
定义LSTM网络架构
定义LSTM网络架构。指定输入为尺寸3的序列（输入数据的特征数）。使用200个隐藏单元指定LSTM层，并输出完整序列。最后，通过包括一个完全连接的大小5层来指定五个类，然后是Softmax层和分类层。
numFeatures = 3;numHiddenUnits = 200;numClasses = 5;层= [．．．sequenceInputLayer numFeatures lstmLayer (numHiddenUnits,“OutputMode”，“序列”) fulllyconnectedlayer (numClasses) softmaxLayer classificationLayer;
指定培训选项。将解算器设置为“亚当”．为60个时代而训练。为了防止渐变发生爆炸，设置渐变阈值为2。
选项=培训选项（“亚当”，．．．“MaxEpochs”现年60岁的．．．“GradientThreshold”2,．．．“详细”0,．．．“阴谋”，“训练进步”）；
使用指定的训练选项训练LSTM网络trainNetwork．每个小批包含整个训练集，因此每个epoch更新一次图。序列非常长，所以可能需要花一些时间来处理每个小批和更新情节。
net = trainnetwork（xtrain，ytrain，图层，选项）;
测试LSTM网络
加载测试数据并在每个时间步骤对活动进行分类。
加载人工活动测试数据。XTest.包含单个尺寸3序列。ytest.包含与活动在每个时间步骤对应的分类标签序列。
负载人性主义最终图绘制(XTest{1}”)包含(“时间步”)传说(“特性”+ (1: numFeatures))标题(“测试数据”）
对使用的测试数据进行分类分类．
YPred =分类(网络,XTest {1});
或者，您可以通过使用一次执行一次预测classifyAndUpdateState．当您具有到达流的时间步骤的值时，这很有用。通常，与一次进行预测相比，在完全序列上进行预测更快。有关示例，显示如何通过在单时间步骤预测之间更新网络来预测未来时间步骤，请参阅使用深度学习的时间序列预测．
计算预测的准确性。
ACC = SUM（YPRED == YTEST {1}）./ numel（ytest {1}）
acc = 0.9998
用图将预测结果与试验数据进行比较。
图绘制(YPred,“。”） 抓住在绘图（ytest {1}）持有从Xlabel（“时间步”）ylabel（“活动”)标题(“预测活动”） 传奇（[“预料到的”“测试数据”]）
另请参阅
lstmLayer|sequenceInputLayer|培训选项|trainNetwork
相关话题
您还可以从以下列表中选择一个网站：
