Переформатируйте нейронные данные назад из графического процессора
X = gpu2nndata(Y,Q)
X = gpu2nndata(Y)
X = gpu2nndata(Y,Q,N,TS)
Обучение и симуляция нейронных сетей требуют этого, матрицы транспонированы. Но они не требуют (несмотря на то, что они более эффективны с), дополнение длины столбца так, чтобы каждый столбец был выровненной памятью. Эта функция копирует данные назад из текущего графического процессора и реверсов это преобразование. Это может использоваться на данных, отформатированных с nndata2gpu или на результатах сетевой симуляции.
X = gpu2nndata(Y,Q) копирует QQ- N gpuArray Y в RAM, берет первый Q строки и транспонируют результат получить N- Q матрица, представляющая Q
N- векторы элемента.
X = gpu2nndata(Y) вычисляет Q как индекс последней строки в Y это не весь NaN значения (те строки были добавлены, чтобы заполнить Y для эффективного расчета графического процессора nndata2gpuY затем преобразовывается как прежде.
X = gpu2nndata(Y,Q,N,TS) берет QQ- (N*TS) gpuArray, где N вектор размеров сигнала, Q количество выборок (меньше чем или равный количеству строк после выравнивания, дополняющего QQ), и TS количество временных шагов.
gpuArray Y копируется назад в RAM, первый Q строки взяты, и затем это разделено и транспонировано в M- TS массив ячеек, где M число элементов в N. Каждый Y{i,ts} N(i)- Q матрица.
Скопируйте матрицу в графический процессор и назад:
x = rand(5,6) [y,q] = nndata2gpu(x) x2 = gpu2nndata(y,q)
Скопируйте с графического процессора данные о массиве ячеек нейронной сети, представляющие четыре временных рядов, каждый состоящий из пяти временных шагов сигналов с 3 элементами и с 2 элементами.
x = nndata([2;3],4,5) [y,q,n,ts] = nndata2gpu(x) x2 = gpu2nndata(y,q,n,ts)