加载预先训练的词嵌入

数据存储textdatastore.需要嵌入单词以将文档转换为向量序列。加载嵌入使用的预磨词fasttextwordembeddings.．此功能需要文本分析工具箱™模型用于快速文本英语160亿令牌词嵌入金宝app支持包。如果没有安装此支金宝app持包，则该函数将提供下载链接。

emb = fasttextwordembedding;

创建文档的迷你批量数据存储

创建包含培训数据的数据存储。自定义的小批量数据存储textdatastore.从CSV文件中读取预测器和标签。对于预测器，数据存储区将文档转换为单词索引和响应的序列，数据存储返回每个文档的分类标签。

要创建数据存储，首先保存自定义的小批量数据存储textdatastore.m.的路径。有关创建自定义小批量数据存储的详细信息，请参见开发自定义迷你批处理数据存储(深度学习工具箱)．

对于培训数据，指定CSV文件“factoryreports.csv”文本和标签都在列中“描述”和“类别”分别。

filenameTrain =“factoryreports.csv”；TextName =.“描述”；labelName =.“类别”；dsTrain = textDatastore (filenameTrain textName、labelName emb)

Dstrain =具有属性的TextDataStore：ClassNames：[“电子失败”“泄漏”“机械故障”“软件故障”]数据存储：[1×1 matlab.io.datastore.TransformedDataStore] EmbeddingDimension：300 LabelName：“类别”小型匹配：128numcrasses：4 numobservations：480

创建和训练LSTM网络

定义LSTM网络架构。要将序列数据输入到网络中，需要包含一个序列输入层，并设置输入大小为嵌入维数。接下来，包含一个带有180个隐藏单元的LSTM层。若要将LSTM层用于序列到标签的分类问题，请将输出模式设置为“最后一次”．最后，添加一个输出大小等于类数的全连接层、一个softmax层和一个分类层。

numfeatures = dstrain.embedddingdimensile;numhidendunits = 180;numclasses = dstrain.numclasses;层= [．．.sequenceInputLayer numFeatures lstmLayer (numHiddenUnits,'OutputMode'，“最后一次”) fulllyconnectedlayer (numClasses) softmaxLayer classificationLayer;

指定培训选项。指定要使用的求解器“亚当”梯度阈值是2。数据存储textdatastore.m.不支持洗牌，所以设金宝app置'洗牌'， 到“永远”．有关如何实现数据存储的示例，并支持支持Shuffling，请参阅金宝app开发自定义迷你批处理数据存储(深度学习工具箱)．要监控培训进度，请设置“阴谋”选择“训练进步”．要抑制verbose输出，请设置'verbose'来错误的．

默认情况下，Trainnetwork.如果有一个可用的，则使用GPU。要手动指定执行环境，请使用“ExecutionEnvironment”名称 - 值对参数培训选项．CPU培训可能比GPU培训显着更长。使用GPU的训练需要并行计算工具箱™和支持的GPU设备。金宝app有关支持设备的信息，请参阅金宝app．

minibatchsize = 128;numobservations = dstrain.numobservations;numiterationsperepoch = bloor（numobservations / minibatchsize）;选项=培训选项（“亚当”，．．.“MiniBatchSize”，小匹马，．．.'gradientthreshold'2，．．.'洗牌'，“永远”，．．.“阴谋”，“训练进步”，．．.'verbose'，错误的）;

训练LSTM网络使用Trainnetwork.函数。

net = trainnetwork（dstrain，图层，选项）;

使用新数据进行预测

对三个新报告的事件类型进行分类。创建包含新报告的字符串数组。

eportsnew = [“冷却液在分拣机下面汇集。”“分拣机在启动时吹熔断。”“汇编者有一些非常响亮的嘎嘎声的声音。”];

使用预处理步骤作为数据存储对文本数据进行预处理textdatastore.m.．

文件= tokenizedDocument (reportsNew);文件=低(文件);= erasePunctuation文件(文档);预测= doc2sequence (emb、文档);

使用培训的LSTM网络对新序列进行分类。

预测labelsNew =分类(净)

labelsNew =3×1分类泄漏电子故障机械故障