Глубокое обучение с временными рядами, последовательностями и текстом

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

Создайте и обучите сети для задач классификации, регрессии и прогнозирования временных рядов. Обучите сети долгой краткосрочной памяти (LSTM) для задач классификации и регрессии от последовательности к единице или от последовательности к метке. Можно обучать сети LSTM на текстовых данных с помощью слоев встраивания слов (требует Text Analytics Toolbox™) или сверточных нейронных сетей на аудиоданных с помощью спектрограмм (требует Audio Toolbox™).

Приложения

Deep Network DesignerПроектирование, визуализация и обучение нейронных сетей для глубокого обучения

Функции

расширить все

trainingOptionsОпции для обучения глубокой нейронной сети
trainNetworkОбучите глубокую нейронную сеть
analyzeNetworkАнализируйте нейронную сеть для глубокого обучения архитектуру
sequenceInputLayerВходной слой последовательности
featureInputLayerВходной слой признака
lstmLayerДолгая краткосрочная память (LSTM) слоя
bilstmLayerДвунаправленный слой долгой краткосрочной памяти (BiLSTM)
gruLayerСтробированные периодические модули (GRU) слоя
sequenceFoldingLayerПоследовательность складывания слоя
sequenceUnfoldingLayerСлой развертывания последовательности
flattenLayerУплощенный слой
fullyConnectedLayerПолносвязный слой
reluLayerСлой Rectified Linear Unit (ReLU)
leakyReluLayerУтечка слоя Rectified Linear Unit (ReLU)
clippedReluLayerПодрезанный слой Rectified Linear Unit (ReLU)
eluLayerЭкспоненциало линейного модуля (ELU)
tanhLayerСлой гиперболического тангенса (танх)
swishLayerСлой качания
dropoutLayerВыпадающий слой
softmaxLayerСлой Softmax
classificationLayerКлассификационный выходной слой
regressionLayerСоздайте регрессионный выходной слой
classifyКлассификация данных с помощью обученной глубокой нейронной сети
predictПрогнозируйте ответы с помощью обученной глубокой нейронной сети
activationsВычислите нейронную сеть для глубокого обучения слоя активации
predictAndUpdateStateПрогнозируйте ответы с помощью обученной рекуррентной нейронной сети и обновляйте состояние сети
classifyAndUpdateStateКлассифицируйте данные с помощью обученной рекуррентной нейронной сети и обновляйте состояние сети
resetStateСброс состояния рекуррентной нейронной сети
confusionchartСоздайте матричный график неточностей для задачи классификации
sortClassesСортировка классов матричного графика неточностей
padsequencesДополните или обрезайте данные последовательности до той же длины

Блоки

расширить все

PredictПрогнозируйте ответы с помощью обученной глубокой нейронной сети
Stateful PredictПрогнозируйте ответы с помощью обученной рекуррентной нейронной сети
Stateful ClassifyКлассификация данных с помощью обученной рекуррентной нейронной сети глубокого обучения

Свойства

ConfusionMatrixChart PropertiesВнешний вид и поведение матричного графика неточностей

Примеры и как

Последовательности и временные ряды

Классификация последовательностей с использованием глубокого обучения

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

Классификация последовательность-последовательность с использованием глубокого обучения

Этот пример показывает, как классифицировать каждый временной шаг данных последовательности с помощью сети долгой краткосрочной памяти (LSTM).

Регрессия последовательность-в-последовательности с использованием глубокого обучения

Этот пример показывает, как предсказать оставшийся срок полезного использования (RUL) двигателей с помощью глубокого обучения.

Прогнозирование временных рядов с использованием глубокого обучения

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

Классификация видео с использованием глубокого обучения

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

Классификация видео с использованием глубокого обучения с помощью пользовательского цикла обучения

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

Распознание речевых команд с использованием глубокого обучения

Этот пример показывает, как обучить модель глубокого обучения, которая обнаруживает наличие речевых команд в аудио.

Подписывание изображений с использованием внимания

В этом примере показано, как обучить модель глубокого обучения для подписывания изображений с использованием внимания.

Обучите сеть с помощью пользовательского мини-пакетного Datastore для данных последовательности

В этом примере показов, как обучить нейронную сеть для глубокого обучения по данным последовательности нехватки памяти с помощью пользовательского мини-пакетного datastore.

Визуализация активации сети LSTM

Этот пример показов, как исследовать и визуализировать функции, выученные сетями LSTM, путем извлечения активаций.

Классификация последовательности в последовательности с использованием 1-D сверток

Этот пример показывает, как классифицировать каждый временной шаг данных последовательности с помощью общей временной сверточной сети (TCN).

Обнаружение отказа химического процесса с помощью глубокого обучения

Этот пример показывает, как использовать данные моделирования для обучения нейронной сети, которая может обнаружить сбои в химическом процессе.

Построение сетей с помощью Deep Network Designer

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

Создайте сеть классификации простых последовательностей с помощью Deep Network Designer

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

Предсказание и обновление состояния сети в Simulink

Этот пример показывает, как предсказать ответы для обученной рекуррентной нейронной сети в Simulink ® с помощью Stateful Predict блок.

Классификация и обновление состояния сети в Simulink

В этом примере показано, как классифицировать данные для обученной рекуррентной нейронной сети в Simulink ® с помощью Stateful Classify блок.

Текстовые данные

Классификация текстовых данных с помощью глубокого обучения

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

Классификация текстовых данных с помощью сверточной нейронной сети

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

Многоуровневая классификация текста с использованием глубокого обучения

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

Классификация текстовых данных за пределами памяти с помощью глубокого обучения

В этом примере показано, как классифицировать текстовые данные за пределами памяти с помощью нейронной сети для глубокого обучения с помощью преобразованного datastore.

Перемещение последовательности в последовательность с использованием внимания

В этом примере показано, как преобразовать десятичные строки в римские числа с помощью рекуррентной модели кодер-декодер последовательности в последовательность с вниманием.

Сгенерируйте текст с помощью глубокого обучения

В этом примере показано, как обучить сеть глубокого обучения с длительной краткосрочной памятью (LSTM) для генерации текста.

Гордость и предубеждения и MATLAB

В этом примере показано, как обучить сеть LSTM глубокого обучения для генерации текста с помощью вложений символов.

Генерация текста Word-By-Word с использованием глубокого обучения

В этом примере показано, как обучить сеть LSTM глубокого обучения генерировать текстовое слово за словом.

Сгенерируйте текст с помощью автоэнкодеров

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

Задайте функцию модели текстового энкодера

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

Задайте функцию модели декодера текста

Этот пример показывает, как задать функцию модели декодера текста.

Концепции

Длинные краткосрочные сети памяти

Узнайте о сетях долгой краткосрочной памяти (LSTM).

Список слоев глубокого обучения

Узнайте все слои глубокого обучения в MATLAB®.

Datastores для глубокого обучения

Узнайте, как использовать хранилища данных в применениях глубокого обучения.

Глубокое обучение в MATLAB

Узнайте о возможностях глубокого обучения в MATLAB, используя сверточные нейронные сети для классификации и регрессии, включая предварительно обученные сети и передачу обучения, и обучение на графических процессорах, центральных процессорах, кластерах и облаках.

Советы и рекомендации по глубокому обучению

Узнать, как улучшить точность нейронных сетей для глубокого обучения.

Наборы данных для глубокого обучения

Обнаружение наборов данных для различных задач глубокого обучения.

Рекомендуемые примеры

Для просмотра документации необходимо авторизоваться на сайте