深度学习与时间序列,序列和文本
创建和列车网络时间序列分类、回归和预测任务。火车长短期记忆(LSTM)网络sequence-to-one或sequence-to-label分类和回归问题。您可以使用单词训练LSTM网络文本数据嵌入层(需要文本分析工具箱™)或卷积神经网络使用声音(音频数据(需要音频工具箱™)。
应用程序
| 深层网络设计师 | 设计、可视化和火车深度学习网络 |
功能
块
属性
| ConfusionMatrixChart属性 | 混淆矩阵图表外观和行为 |
例子和如何
序列和时间序列
这个例子展示了如何使用长序列数据分类短期记忆(LSTM)网络。
这个例子展示了如何分类序列数据使用的每个时间步长短期记忆(LSTM)网络。
这个例子展示了如何预测剩余寿命(原则)的引擎使用深度学习。
这个例子展示了如何使用很长一段时间序列数据预测短期记忆(LSTM)网络。
这个例子展示了如何创建一个网络视频分类结合pretrained图像分类模型和一个LSTM网络。
这个例子展示了如何培养一个深度学习模型,检测音频语音命令的存在。
这个例子展示了如何训练图像的深度学习模型使用注意字幕。
这个例子展示了如何培养深入学习网络使用自定义mini-batch数据存储在内存不足的序列数据。
这个例子展示了如何调查和可视化功能学LSTM网络提取激活。
使用一维曲线玲珑Sequence-to-Sequence分类
这个例子展示了如何使用一个通用的每个时间步的序列数据分类时间卷积网络(TCN)。
这个例子展示了如何使用模拟数据训练神经网络,可以检测一个化学过程的缺陷。
交互式地建立和编辑深度学习网络。
这个例子展示了如何创建一个简单的长短期记忆(LSTM)分类网络使用深网络设计师。
文本数据
这个例子展示了如何使用深度学习长文本数据分类短期记忆(LSTM)网络。
这个例子展示了如何使用卷积神经网络分类文本数据。
这个例子展示了如何分类文本数据,多个独立的标签。
这个例子展示了如何将内存不足与深入学习网络文本数据使用一个转换数据存储。
这个例子展示了如何将十进制的字符串转换成罗马数字使用复发sequence-to-sequence encoder-decoder模型与关注。
这个例子展示了如何培养深度学习长短期记忆(LSTM)网络生成文本。
这个例子展示了如何训练深度学习LSTM网络生成文本使用字符嵌入。
这个例子展示了如何训练深度学习LSTM网络生成文本词词。
这个例子展示了如何使用autoencoders生成文本数据。
这个例子显示了如何定义一个文本编码器模型函数。
这个例子显示了如何定义一个文本译码器模型函数。
