Глубокое обучение для временных рядов, последовательностей и текста
Создайте и обучите нейронные сети для классификации временных рядов, регрессии и задач прогнозирования. Обучите сети долгой краткосрочной памяти (LSTM) для sequence-one или классификации последовательностей к метке и проблем регрессии. Можно обучить сети LSTM на текстовых данных с помощью слоев встраивания слова (требует, чтобы Text Analytics Toolbox™) или сверточные нейронные сети на аудиоданных с помощью спектрограмм (потребовал Audio Toolbox™).
Приложения
| Deep Network Designer | Редактируйте и создавайте глубокие нейронные сети |
Функции
Примеры и руководства
Последовательности и временные ряды
Классификация последовательностей Используя глубокое обучение
Этот пример показывает, как классифицировать данные о последовательности с помощью сети долгой краткосрочной памяти (LSTM).
Классификация от последовательности к последовательности Используя глубокое обучение
Этот пример показывает, как классифицировать каждый временной шаг данных о последовательности с помощью сети долгой краткосрочной памяти (LSTM).
Регрессия от последовательности к последовательности Используя глубокое обучение
Этот пример показывает, как предсказать остающийся срок полезного использования (RUL) механизмов при помощи глубокого обучения.
Прогнозирование временных рядов Используя глубокое обучение
Этот пример показывает, как предсказать данные временных рядов с помощью сети долгой краткосрочной памяти (LSTM).
Классифицируйте видео Используя глубокое обучение
Этот пример показывает, как создать сеть для видео классификации путем объединения предварительно обученной модели классификации изображений и сети LSTM.
Распознание речевых команд с использованием глубокого обучения
Этот пример показывает, как обучить простую модель глубокого обучения, которая обнаруживает присутствие речевых команд в аудио.
Обучите сеть Используя пользовательский мини-пакетный Datastore для данных о последовательности
Этот пример показывает, как обучить нейронную сеть для глубокого обучения на данных о последовательности из памяти с помощью пользовательского мини-пакетного datastore.
Создайте сети с Deep Network Designer
В интерактивном режиме создайте и отредактируйте нейронные сети для глубокого обучения.
Текстовые данные
Классифицируйте текстовые данные Используя глубокое обучение
Этот пример показывает, как классифицировать текстовые описания прогнозов погоды с помощью сети долгой краткосрочной памяти (LSTM) глубокого обучения.
Классифицируйте текстовые данные Используя сверточную нейронную сеть
Этот пример показывает, как классифицировать текстовые данные с помощью сверточной нейронной сети.
Классифицируйте текстовые данные из памяти Используя глубокое обучение
Этот пример показывает, как классифицировать текстовые данные из памяти с нейронной сетью для глубокого обучения с помощью преобразованного datastore.
Сгенерируйте текст Используя глубокое обучение
Этот пример показывает, как обучить сеть долгой краткосрочной памяти (LSTM) глубокого обучения генерировать текст.
Гордитесь и нанесите ущерб и MATLAB
Этот пример показывает, как обучить сеть LSTM глубокого обучения, чтобы сгенерировать текст с помощью символьных вложений.
Пословно текстовая генерация Используя глубокое обучение
Этот пример показывает, как обучить сеть LSTM глубокого обучения, чтобы сгенерировать текст пословно.
Концепции
Длинные краткосрочные сети памяти
Узнайте о сетях долгой краткосрочной памяти (LSTM)
Список слоев глубокого обучения
Узнайте все слои глубокого обучения в MATLAB®.
Хранилища данных для глубокого обучения
Узнать, как использовать хранилища данных в применении глубокого обучения.
Узнайте возможности глубокого обучения в MATLAB с помощью сверточных нейронных сетей для классификации и регрессии, включая предварительно обученные сети и изучение передачи и обучение на графических процессорах, центральных процессорах, кластерах и облаках.
Советы глубокого обучения и приемы
Узнать, как улучшить точность нейронных сетей для глубокого обучения.
