主要内容

이번역최신을있지않습니다않습니다。최신내용으로보려면를하십시오하십시오하십시오。

重置

순환신경망의재설정

페이지내모두축소

구문

updatednet = resetstate（recnet）

설명

예제

更新网络=重置（recnet）은순환（lstm신경망）의의상태로합니다합니다。

예제

모두축소

라이브스크립트열기

시퀀스예측신경망를합니다합니다。

사전훈련된기억（LSTM）신경망日本vOwelsnet을불러옵니다。이것[1]과[2]에서설명한日本元音데이터데이터훈련신경망입니다입니다입니다。27을을가지며시퀀스길이를기준으로된시퀀스에서훈련되었습니다되었습니다되었습니다되었습니다。

加载日本vOwelsnet

신경망아키텍처표시합니다。

net.layers
ANS = 5x1层阵列带有层：1'sequenceInput'序列输入序列输入，带12个维度2'lstm'lstm lstm，带有100个隐藏单元3'FC'完全连接的9个完全连接的层4'SoftMax'Softmax'Softmax'SoftMax Softmax 5'SoftMax 5'ClastOutput'分类'输出crossentropyex，具有“ 1”和其他8个类别

테스트데이터불러옵니다。

[xtest，ytest] = japanyvowelstestdata;

시퀀스를하고상태업데이트합니다합니다。이예제결과를재현있도록있도록RNG를“洗牌”로설정합니다。

rng（“洗牌”）x = xtest {94​​};[net，label] = classifyAndUpDateState（net，x）;标签
标签=分类3

업데이트된사용다른시퀀스분류합니다합니다。

x = xtest {1};标签=分类（net，x）
标签=分类7

최종예측참을합니다합니다。

truelabel = ytest（1）
truelabel =分类1

신경망의상태분류에적인을주었을있습니다있습니다있습니다。신경망상태하고에대해예측다시합니다합니다합니다。

net =重置（net）;label =分类（net，xtest {1}）
标签=分类1

입력인수

모두축소

훈련된신경망으로，系列网络또는dagnetwork객체로됩니다。사전훈련신경망을가져오거나火车网함수를자신의고유한을훈련훈련신경망을얻을수있습니다있습니다。

recnet은순환입니다。이인수적어도의계층을가져야합니다합니다합니다합니다（lstm신경망）。입력신경망이아니면는영향미치지않으며신경망을합니다합니다합니다。

출력인수

모두축소

업데이트된신경망。更新网络은입력동일유형신경망입니다입니다。

입력신경망이아니면는영향미치지않으며신경망을합니다합니다합니다。

참고문헌

[1] M. Kudo，J。Toyama和M. Shimbo。“使用传递区域的多维曲线分类。”图案识别字母。卷。20，编号11-13，第1103–1111页。

[2] UCI机器学习存储库：日本元音数据集。https://archive.ics.uci.edu/ml/datasets/japanese+vowels

확장기능

버전내역

R2017B에됨됨

참고항목

|||||

도움말항목