使用训练有素的递归神经网络预测反应并更新网络状态
您可以在CPU或GPU上使用培训的深度学习网络进行预测。使用GPU需要并行计算工具箱™和支持的GPU设备。金宝app有关支持的设备的信息,请参见金宝appGPU版金宝app本支持(并行计算工具箱).使用“ExecutionEnvironment”
名称-值对的论点。
[
预测数据的响应updatedNet
,伊普雷德
] = predictandupdattestate(雷克内特
,序列
)序列
使用训练有素的递归神经网络雷克内特
并更新网络状态。
这个函数只支持递归神经网络。金宝app输入雷克内特
必须至少有一个循环层。
[
使用前面语法中的任何参数和一个或多个指定的附加选项updatedNet
,伊普雷德
] = predictandupdattestate(___,名称,值
)名称,值
对论点。例如,“MiniBatchSize”,27
使用尺寸为27的小批量进行预测。
提示
当使用不同长度的序列进行预测时,最小批量大小可能会影响添加到输入数据的填充量,从而产生不同的预测值。请尝试使用不同的值,以查看哪一个最适合您的网络。要指定小批量大小和填充选项,请使用“MiniBatchSize”
和“SequenceLength”
选择,分别。
当您使用该网络训练网络时trainNetwork
函数,或者将预测或验证函数用于Dagnetwork.
和SeriesNetwork
对象时,软件使用单精度浮点运算执行这些计算。用于训练、预测和验证的功能包括trainNetwork
,预测
,分类
, 和激活
。当您同时使用CPU和GPU训练网络时,软件使用单精度算法。
[1] M. Kudo,J. Toyama和M. Shimbo。“使用过度区域的多维曲线分类。”模式识别字母第20卷,第11-13号,第1103-1111页。
[2]UCI机器学习知识库:日语元音数据集.https://archive.ics.uci.edu/ml/datasets/japanese+vowels.