Глубокое обучение с временными рядами, последовательностями и текстом
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 Designer | Проектирование, визуализация и обучение нейронных сетей для глубокого обучения |
Функции
Блоки
Свойства
| ConfusionMatrixChart Properties | Внешний 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.
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.
