Сбросьте сетевое состояние между прогнозами последовательности.

Чтобы воспроизвести результаты в этом примере, установите rng на 'default'.

rng('default')

Загрузите JapaneseVowelsNet, предварительно обученная сеть долгой краткосрочной памяти (LSTM), обученная на японском наборе данных Гласных, как описано в [1] и [2]. Эта сеть была обучена на последовательностях, отсортированных по длине последовательности с мини-пакетным размером 27.

load JapaneseVowelsNet

Просмотрите сетевую архитектуру.

net.Layers

ans = 
  5x1 Layer array with layers:

     1   'sequenceinput'   Sequence Input          Sequence input with 12 dimensions
     2   'lstm'            LSTM                    LSTM with 100 hidden units
     3   'fc'              Fully Connected         9 fully connected layer
     4   'softmax'         Softmax                 softmax
     5   'classoutput'     Classification Output   crossentropyex with '1' and 8 other classes

Загрузите тестовые данные.

load JapaneseVowelsTest

Классифицируйте последовательность и обновите сетевое состояние. Для воспроизводимости, набор rng к 'shuffle'.

rng('shuffle')
X = XTest{94};
[net,label] = classifyAndUpdateState(net,XTest{94});

Классифицируйте другую последовательность с помощью обновленной сети.

X = XTest{1};
label = classify(net,X)

label = categorical
     7 

Сравните итоговый прогноз с истинной меткой.

trueLabel = YTest(1)

trueLabel = categorical
     1 

Обновленное состояние сети, возможно, негативно влияло на классификацию. Сбросьте сетевое состояние и предскажите на последовательности снова.

net = resetState(net);
label = classify(net,XTest{1})

label = categorical
     1