Создание и подготовка сетей для задач классификации временных рядов, регрессии и прогнозирования. Обучение сетей долговременной памяти (LSTM) для проблем классификации и регрессии «последовательность-к-одному» или «последовательность-к-метке». Обучить сети LSTM текстовым данным можно с помощью слоев встраивания слов (требуется Text Analytics Toolbox™) или сверточных нейронных сетей на аудиоданных с помощью спектрограмм (требуется Audio Toolbox™).
| Конструктор глубоких сетей | Проектирование, визуализация и обучение сетей глубокого обучения |
| Свойства ConfusionMatrixChart | Внешний вид и поведение матричной диаграммы путаницы |
Классификация последовательностей с использованием глубокого обучения
В этом примере показано, как классифицировать данные последовательности с использованием сети LSTM.
Классификация последовательностей с использованием глубокого обучения
В этом примере показано, как классифицировать каждый временной шаг данных последовательности с использованием сети LSTM.
Регрессия последовательности к последовательности с использованием глубокого обучения
В этом примере показано, как предсказать оставшийся срок службы (RUL) двигателей с помощью глубокого обучения.
Прогнозирование временных рядов с использованием глубокого обучения
В этом примере показано, как прогнозировать данные временных рядов с использованием сети LSTM.
Классифицировать видео с помощью глубокого обучения
В этом примере показано, как создать сеть для классификации видео путем объединения предварительно подготовленной модели классификации изображений и сети LSTM.
Классифицировать видео с помощью глубокого обучения с помощью индивидуального обучающего цикла
В этом примере показано, как создать сеть для классификации видео путем объединения предварительно подготовленной модели классификации изображений и сети классификации последовательностей.
Распознавание речевых команд с помощью глубокого обучения
В этом примере показано, как обучить модель глубокого обучения, которая обнаруживает наличие речевых команд в звуке.
Субтитры изображения с помощью внимания
В этом примере показано, как обучить модель глубокого обучения субтитрам изображений с использованием внимания.
В этом примере показано, как обучить сеть глубокого обучения данным последовательности без памяти с помощью пользовательского мини-хранилища пакетных данных.
Визуализация активации сети LSTM
В этом примере показано, как исследовать и визуализировать функции, полученные сетями LSTM, извлекая активации.
Классификация последовательности к последовательности с использованием сверток 1-D
В этом примере показано, как классифицировать каждый временной шаг данных последовательности с использованием общей временной сверточной сети (TCN).
Обнаружение неисправностей химического процесса с помощью глубокого обучения
В этом примере показано, как использовать данные моделирования для обучения нейронной сети, которая может обнаруживать неисправности в химическом процессе.
Создание сетей с помощью разработчика глубоких сетей
Интерактивное создание и редактирование сетей глубокого обучения.
Создание простой сети классификации последовательностей с помощью разработчика глубоких сетей
В этом примере показано, как создать простую сеть классификации LSTM с помощью Deep Network Designer.
Прогнозирование и обновление состояния сети в Simulink
В этом примере показано, как предсказать ответы для обученной рецидивирующей нейронной сети в Simulink ® с использованием Stateful Predict блок.
Классификация и обновление состояния сети в Simulink
В этом примере показано, как классифицировать данные для обученной повторяющейся нейронной сети в Simulink ® с помощью Stateful Classify блок.
Классификация текстовых данных с помощью глубокого обучения
В этом примере показано, как классифицировать текстовые данные с помощью сети LSTM.
Классификация текстовых данных с использованием сверточной нейронной сети
В этом примере показано, как классифицировать текстовые данные с помощью сверточной нейронной сети.
Классификация текста Multilabel с использованием глубокого обучения
В этом примере показано, как классифицировать текстовые данные с несколькими независимыми метками.
Классификация недостающих данных текста с помощью глубокого обучения
В этом примере показано, как классифицировать текстовые данные из памяти с помощью сети глубокого обучения с использованием преобразованного хранилища данных.
Преобразование последовательности в последовательность с использованием внимания
В этом примере показано, как преобразовывать десятичные строки в римские цифры с помощью повторяющейся модели кодера-декодера последовательности.
Создание текста с помощью глубокого обучения
В этом примере показано, как обучить сеть долговременной памяти глубокого обучения (LSTM) генерировать текст.
Гордость и предубеждение и MATLAB
В этом примере показано, как обучить сеть LSTM глубокому обучению создавать текст с использованием вставок символов.
Создание текста «слово за словом» с помощью глубокого обучения
В этом примере показано, как обучить сеть LSTM глубокому обучению создавать текст слово за словом.
Создание текста с помощью автокодеров
В этом примере показано, как создавать текстовые данные с помощью автокодеров.
Определение функции модели кодировщика текста
В этом примере показано, как определить функцию модели текстового кодера.
Определение функции модели декодера текста
В этом примере показано, как определить функцию модели текстового декодера.
Узнайте о сетях LSTM.
Список слоев глубокого обучения
Откройте для себя все уровни глубокого обучения в MATLAB ®.
Хранилища данных для глубокого обучения
Узнайте, как использовать хранилища данных в приложениях для глубокого обучения.
Откройте для себя возможности глубокого обучения в MATLAB с использованием сверточных нейронных сетей для классификации и регрессии, включая предварительно обученные сети и обучение передаче, а также обучение по GPU, CPU, кластерам и облакам.
Советы и рекомендации по углубленному обучению
Узнайте, как повысить точность сетей глубокого обучения.
Наборы данных для глубокого обучения
Обнаружение наборов данных для различных задач глубокого обучения.
