Глубокое обучение для временных рядов, последовательностей и текста

Создайте и обучите нейронные сети для задач классификации, регрессии и прогнозирования временных рядов

Создайте и обучите нейронные сети для задач классификации, регрессии и прогнозирования временных рядов. 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 DesignerСпроектируйте, визуализируйте и обучите нейронные сети для глубокого обучения

Функции

развернуть все

trainingOptionsОпции для обучения глубокой нейронной сети
trainNetworkОбучите нейронную сеть для глубокого обучения
analyzeNetworkАнализируйте архитектуру нейронной сети для глубокого обучения
sequenceInputLayerПоследовательность ввела слой
featureInputLayerСвойства входного слоя
lstmLayerСлой Long short-term memory (LSTM)
bilstmLayerДвунаправленный долгий краткосрочный слой (BiLSTM) памяти
gruLayerСлой Gated recurrent unit (GRU)
sequenceFoldingLayerСлой сворачивания последовательности
sequenceUnfoldingLayerСлой разворачивания последовательности
flattenLayerСлой Flatten
fullyConnectedLayerПолносвязный слой
reluLayerСлой Rectified Linear Unit (ReLU)
leakyReluLayer"Слой ""с утечкой"" Rectified Linear Unit (ReLU)"
clippedReluLayerОтсеченный слой Rectified Linear Unit (ReLU)
eluLayerСлой Exponential linear unit (ELU)
tanhLayerГиперболическая касательная (tanh) слой
dropoutLayerСлой Dropout
softmaxLayerСлой Softmax
classificationLayerClassification слой выхода
regressionLayerСоздайте регрессию выходной слой
classifyКлассифицируйте данные с помощью обученной глубокой нейронной сети
predictПредскажите ответы с помощью обученной глубокой нейронной сети
activationsВычислите активации слоя нейронной сети для глубокого обучения
predictAndUpdateStateПредскажите ответы с помощью обученной рекуррентной нейронной сети и обновите сетевое состояние
classifyAndUpdateStateКлассифицируйте данные с помощью обученной рекуррентной нейронной сети и обновите сетевое состояние
resetStateСбросьте состояние рекуррентной нейронной сети
confusionchartСоздайте матричный график беспорядка для проблемы классификации
sortClassesСортировка классов матричного графика беспорядка

Блоки

развернуть все

PredictПредскажите ответы с помощью обученной глубокой нейронной сети

Свойства

ConfusionMatrixChart PropertiesМатричный вид диаграммы беспорядка и поведение

Примеры и руководства

Последовательности и временные ряды

Классификация последовательностей Используя глубокое обучение

В этом примере показано, как классифицировать данные о последовательности с помощью сети долгой краткосрочной памяти (LSTM).

Классификация от последовательности к последовательности Используя глубокое обучение

В этом примере показано, как классифицировать каждый временной шаг данных о последовательности с помощью сети долгой краткосрочной памяти (LSTM).

Регрессия от последовательности к последовательности Используя глубокое обучение

В этом примере показано, как предсказать остающийся срок полезного использования (RUL) механизмов при помощи глубокого обучения.

Прогнозирование временных рядов Используя глубокое обучение

В этом примере показано, как предсказать данные временных рядов с помощью сети долгой краткосрочной памяти (LSTM).

Классифицируйте видео Используя глубокое обучение

В этом примере показано, как создать сеть для видео классификации путем объединения предварительно обученной модели классификации изображений и сети LSTM.

Распознание речевых команд с использованием глубокого обучения

В этом примере показано, как обучить модель глубокого обучения, которая обнаруживает присутствие речевых команд в аудио.

Отобразите ввод субтитров Используя внимание

В этом примере показано, как обучить модель глубокого обучения вводу субтитров изображений с помощью внимания.

Обучите сеть Используя пользовательский мини-пакетный Datastore для данных о последовательности

В этом примере показано, как обучить нейронную сеть для глубокого обучения на данных о последовательности из памяти с помощью пользовательского мини-пакетного datastore.

Визуализируйте активации сети LSTM

В этом примере показано, как исследовать и визуализировать функции, изученные сетями LSTM путем извлечения активаций.

Классификация от последовательности к последовательности Используя 1D свертки

В этом примере показано, как классифицировать каждый временной шаг данных о последовательности с помощью типовой временной сверточной сети (TCN).

Химическое обнаружение отказа процесса Используя глубокое обучение

В этом примере показано, как использовать данные моделирования, чтобы обучить нейронную сеть, которая может обнаружить отказы в химическом процессе.

Создайте сети с Deep Network Designer

В интерактивном режиме создайте и отредактируйте нейронные сети для глубокого обучения.

Создайте простую сеть классификации последовательностей Используя Deep Network Designer

В этом примере показано, как создать простую сеть классификации долгой краткосрочной памяти (LSTM) использование Deep Network Designer.

Текстовые данные

Классифицируйте текстовые данные Используя глубокое обучение

В этом примере показано, как классифицировать текстовые данные с помощью сети долгой краткосрочной памяти (LSTM) глубокого обучения.

Классифицируйте текстовые данные Используя сверточную нейронную сеть

В этом примере показано, как классифицировать текстовые данные с помощью сверточной нейронной сети.

Классификация мультитекстов метки Используя глубокое обучение

В этом примере показано, как классифицировать текстовые данные, которые имеют несколько независимых меток.

Классифицируйте текстовые данные из памяти Используя глубокое обучение

В этом примере показано, как классифицировать текстовые данные из памяти с нейронной сетью для глубокого обучения с помощью преобразованного datastore.

Перевод от последовательности к последовательности Используя внимание

В этом примере показано, как преобразовать десятичные строки в Римские цифры с помощью модели декодера энкодера повторяющейся последовательности к последовательности с вниманием.

Сгенерируйте текст Используя глубокое обучение

В этом примере показано, как обучить сеть долгой краткосрочной памяти (LSTM) глубокого обучения генерировать текст.

Гордитесь и нанесите ущерб и MATLAB

В этом примере показано, как обучить сеть LSTM глубокого обучения, чтобы сгенерировать текст с помощью символьных вложений.

Пословно текстовая генерация Используя глубокое обучение

В этом примере показано, как обучить сеть LSTM глубокого обучения, чтобы сгенерировать текст пословно.

Сгенерируйте текст Используя автоэнкодеры

В этом примере показано, как сгенерировать текстовые данные с помощью автоэнкодеров.

Задайте текстовую функцию модели энкодера

В этом примере показано, как задать текстовую функцию модели энкодера.

Задайте текстовую функцию модели декодера

В этом примере показано, как задать текстовую функцию модели декодера.

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.

Глубокое обучение в MATLAB

Узнайте возможности глубокого обучения в сверточных нейронных сетях использования MATLAB для классификации и регрессии, включая предварительно обученные сети и передачу обучения и обучение на графических процессорах, центральных процессорах, кластерах и облаках.

Советы глубокого обучения и приемы

Узнать, как улучшить точность нейронных сетей для глубокого обучения.

Наборы данных для глубокого обучения

Узнайте наборы данных для различных задач глубокого обучения.

Рекомендуемые примеры

Для просмотра документации необходимо авторизоваться на сайте