主要内容

预测

班级：autoencoder.

使用培训的autoencoder重建输入

展开所有页面

句法

y =预测（autoenc，x）

描述

例子

y =预测（autoenc，x）返回预测y输入数据X，使用autoencoder自动化。结果y是一个重构X。

输入参数

展开全部

训练有素的autoencoder，作为对象返回autoencoder.班级。

输入数据，指定为样本的矩阵，图像数据的小区阵列，或单个图像数据的阵列。

如果是autoencoder.自动化在矩阵上培训，其中每列代表单个样本，然后Xnew.必须是矩阵，其中每列代表单个样本。

如果是autoencoder.自动化然后在细胞的图像阵列上培训Xnew.必须是图像数据的小区阵列或单个图像数据的数组。

数据类型：单身的|双倍的|细胞

输出参数

展开全部

输入数据的预测Xnew.，返回为矩阵或图像数据的小区阵列。

  • 如果Xnew.是一个矩阵，然后y也是一种矩阵，其中每列对应于单个样本（观察或示例）。

  • 如果Xnew.是图像数据的单元格数组，然后y也是图像数据的单元阵列，其中每个单元包含单个图像的数据。

  • 如果Xnew.然后是单个图像数据的数组y也是单个图像数据的数组。

例子

展开全部

打开直播脚本

加载培训数据。

x = iris_dataset;

训练数据包含虹膜花的四个属性的测量：萼片长度，萼片宽度，花瓣长，花瓣宽度。

在解码器中的编码器和线性传递函数中的正饱和线性传递函数在训练数据上培训AutoEncoder。

autoenc = trainautoencoder（x，'ercodertransferfunction'那......'萨特琳'那'decodertransferfunction'那'purelin'）;

使用培训的网络重建测量值，自动化。

XReconstructed =预测（autoenc，x）;

将预测的测量值与训练数据集中的实际值绘制。

为了i = 1：4 h（i）=子图（1,4，i）;plot（x（我，:)，'r。'）;抓住在绘图（XReconstructed（我，:)，'去'）;抓住离开;结尾标题（H（1），{'萼片';'长度'}）;标题（H（2），{'萼片';'宽度'}）;标题（H（3），{'花瓣';'长度'}）;标题（H（4），{'花瓣';'宽度'}）;

图包含4个轴。具有标题萼片长度的轴1包含2个类型的类型。标题萼片宽度的轴2包含2个类型的线。带有标题花瓣长度的轴3包含2个类型的线。带有标题花瓣宽度的轴4包含2个类型的线。

红色点表示训练数据，绿色圆圈代表重建的数据。

打开脚本

加载培训数据。

xtrain = digittraincellarraydata;

训练数据是一个1×5000个单元阵列，其中每个单元包含表示手写数字的合成图像的28×28矩阵。

用含有25个神经元的隐藏层训练AutoEncoder。

hiddensize = 25;autoenc = trainautoencoder（xtrain，hiddensize，......'l2weightregularization'，0.004，......'sparsityRegularization'，4，......'sparsityproport'，0.15）;

加载测试数据。

xtest = digittestcellarraydata;

测试数据是一个1×5000个单元阵列，每个单元包含一个表示手写数字的合成图像的28×28矩阵。

使用培训的autoencoder重建测试图像数据，自动化。

XReconstructed =预测（Autoenc，XTest）;

查看实际的测试数据。

数字;为了我= 1:20子图（4,5，i）;imshow（xtest {i}）;结尾

查看重建的测试数据。

数字;为了我= 1:20子图（4,5，i）;imshow（xreconstructed {i}）;结尾

也可以看看

在R2015B中介绍

深度学习工具箱文档

金宝app

与Matlab引入深度学习

与Matlab引入深度学习

下载电子书