classifyAndUpdateState
使用递归神经网络训练和分类数据更新网络状态
语法
描述
你可以预测使用训练有素的深度学习网络CPU或GPU。使用CUDA GPU需要并行计算工具箱™和®使英伟达®GPU的计算能力3.0或更高版本。指定使用的硬件需求“ExecutionEnvironment”名称-值对的论点。
(分类的数据updatedNet,YPred)= classifyAndUpdateState (recNet,序列)序列使用递归神经网络训练recNet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recNet必须至少有一个周期性的层。
(使用任何的参数在前面的语法和指定的一个或多个额外的选项updatedNet,YPred)= classifyAndUpdateState (___,名称,值)名称,值对参数。例如,“MiniBatchSize”, 27使用mini-batches分类数据的大小27
(在前面的语法使用的任何参数,返回一个矩阵分类评分,并更新网络状态。updatedNet,YPred,分数)= classifyAndUpdateState (___)
提示
与不同长度的序列进行预测时,mini-batch大小会影响的填充量添加到输入数据可以导致不同的预期值。尝试使用不同的值,看看哪种最与你的网络。要指定mini-batch大小和填充选项,可以使用“MiniBatchSize”和“SequenceLength”选项,分别。
例子
分类和更新网络状态
使用递归神经网络分类数据和更新网络状态。
负载JapaneseVowelsNetpretrained长短期记忆(LSTM)网络训练中描述的日本元音数据集[1]和[2]。这个网络是训练序列按序列长度与mini-batch 27的大小。
负载JapaneseVowelsNet
查看网络体系结构。
net.Layers
ans x1 = 5层阵列层:1“sequenceinput”序列输入序列输入12维度2的lstm lstm lstm 100隐藏单位3 fc的完全连接9完全连接层4的softmax softmax softmax 5 classoutput的分类输出crossentropyex ' 1 ', 8其他类
负载测试数据。
[XTest,欧美]= japaneseVowelsTestData;
循环时间的步骤序列。每个时间步和更新网络状态进行分类。
X = XTest {94};numTimeSteps =大小(X, 2);为i = 1: numTimeSteps v = X(:,我);(净、标签、分数)= classifyAndUpdateState(净,v);标签(i) =标签;结束
情节预测标签在一个楼梯。情节变化之间的时间步骤显示了如何预测。
图楼梯(标签,“o”)xlim ([1 numTimeSteps])包含(“时间步”)ylabel (“预测阶级”)标题(“随着时间的推移,分类步骤”)
比较预测和真正的标签。画一条水平线显示观察真正的标签。
trueLabel =欧美(94)
trueLabel =分类3
持有在线([1 numTimeSteps], [trueLabel trueLabel),…“颜色”,“红色”,…“线型”,“——”)传说([“预测”“真正的标签”])
输入参数
输出参数
算法
所有功能深度学习培训、预测和验证在深度学习工具箱™执行计算使用单精度浮点算术。深度学习包括的功能trainNetwork,预测,分类,激活。软件使用单精度算法训练网络时使用的cpu和gpu。
引用
[1]m .奖赏,富山,和m . Shimbo。“多维曲线分类使用通过地区。”模式识别的字母。11 - 13号20卷,第1111 - 1103页。
[2]UCI机器学习库:日本元音数据集。https://archive.ics.uci.edu/ml/datasets/Japanese +元音
