为时间序列分类、回归和预测任务创建和训练网络。训练长-短期记忆(LSTM)网络,使其序列对一或序列标记分类和回归问题。您可以使用单词嵌入层(需要文本分析工具箱)在文本数据上训练LSTM网络™) 或使用频谱图对音频数据进行卷积神经网络(需要音频工具箱™).
深度网络设计器 | 设计、可视化和训练深度学习网络 |
ConfusionMatrixChart属性 | 混淆矩阵图的外观和行为 |
这个例子展示了如何使用长短期记忆(LSTM)网络对序列数据进行分类。
这个例子展示了如何使用一维卷积神经网络对序列数据进行分类。
这个例子展示了如何使用长短时记忆(LSTM)网络对序列数据的每个时间步进行分类。
这个示例展示了如何使用深度学习来预测引擎的剩余使用寿命(RUL)。
此示例显示了如何使用长-短记忆(LSTM)网络预测时间序列数据。
这个例子展示了如何结合预先训练的图像分类模型和LSTM网络来创建一个视频分类网络。
这个例子展示了如何结合预先训练的图像分类模型和序列分类网络来创建一个视频分类网络。
这个例子展示了如何训练一个深度学习模型来检测音频中是否存在语音命令。
这个例子展示了如何训练一个深度学习模型来使用注意力进行图像字幕。
这个例子展示了如何使用一个定制的小批量数据存储,在内存不足的序列数据上训练一个深度学习网络。
此示例显示如何通过提取激活来调查和可视化LSTM网络学习的特征。
这个例子展示了如何使用通用的时间卷积网络(TCN)对序列数据的每个时间步进行分类。
这个例子展示了如何使用模拟数据来训练一个能够检测化学过程中故障的神经网络。
交互式构建和编辑深度学习网络在深度网络设计器。
使用Deep Network Designer创建简单的序列分类网络
这个例子展示了如何使用Deep network Designer创建一个简单的长短期记忆(LSTM)分类网络。
这个例子展示了如何在Simulink®中使用金宝app有状态预测
块。
这个例子展示了如何在Simulink®中使用金宝app有状态分类
块。
了解长短时记忆(LSTM)网络。
发现MATLAB中所有的深度学习层®.
了解如何在深度学习应用程序中使用数据存储。
利用卷积神经网络进行分类和回归,在MATLAB中发现深度学习能力,包括预训练网络和迁移学习,以及在gpu、cpu、集群和云上的训练。
学习如何提高深度学习网络的准确性。
发现各种深度学习任务的数据集。