Глубокое обучение для временных рядов, последовательностей и текста
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 Designer | Спроектируйте, визуализируйте и обучите нейронные сети для глубокого обучения |
Функции
Блоки
Свойства
| ConfusionMatrixChart Properties | Матричный 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.
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.
