Загрузить предварительно обученную сеть

Груз JapaneseVowelsNet, предварительно подготовленная сеть долговременной памяти (LSTM), обученная на наборе данных японских гласных, как описано в [1] и [2]. Эта сеть была обучена последовательностям, отсортированным по длине последовательности с размером мини-партии 27.

load JapaneseVowelsNet

Просмотр сетевой архитектуры.

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

Данные нагрузочного теста

Загрузите данные теста японских гласных. XTest - массив ячеек, содержащий 370 последовательностей размерности 12 переменной длины. YTest - категориальный вектор меток «1», «2»,... «9», которым соответствуют девять говорящих.

[XTest,YTest] = japaneseVowelsTestData;
X = XTest{94};
numTimeSteps = size(X,2);

Модель Simulink для классификации данных

Модель Simulink для классификации данных содержит Stateful Classify блок для прогнозирования меток и MATLAB Function блоки для загрузки последовательности входных данных в течение временных шагов.

open_system('StatefulClassifyExample');

Настройка модели для моделирования

Задайте параметры конфигурации модели для входных блоков и Stateful Classify блок.

set_param('StatefulClassifyExample/Input','Value','X');
set_param('StatefulClassifyExample/Index','uplimit','numTimeSteps-1');
set_param('StatefulClassifyExample/Stateful Classify','NetworkFilePath','JapaneseVowelsNet.mat');
set_param('StatefulClassifyExample','SimulationMode','Normal');

Запуск моделирования

Вычисление ответов для JapaneseVowelsNet сеть, запустите моделирование. Метки прогнозирования сохраняются в рабочей области MATLAB ®.

out = sim('StatefulClassifyExample');

Постройте график прогнозируемых меток на графике лестницы. На графике показано, как изменяются прогнозы между временными шагами.

labels = squeeze(out.YPred.Data(1:numTimeSteps,1));

figure
stairs(labels, '-o')
xlim([1 numTimeSteps])
xlabel("Time Step")
ylabel("Predicted Class")
title("Classification Over Time Steps")

Сравните прогнозы с истинной меткой. Постройте график горизонтальной линии, показывающей истинную метку наблюдения.

trueLabel = double(YTest(94));
hold on
line([1 numTimeSteps],[trueLabel trueLabel], ...
    'Color','red', ...
    'LineStyle','--')
legend(["Prediction" "True Label"])
axis([1 numTimeSteps+1 0 9]);