Классифицируйте данные с помощью обученной рекуррентной нейронной сети и обновляйте состояние сети
Можно сделать предсказания с помощью обученной нейронной сети для глубокого обучения на центральном процессоре или графическом процессоре. Для использования графический процессор требуется Parallel Computing Toolbox™ и поддерживаемый графический процессор. Для получения информации о поддерживаемых устройствах смотрите Поддержку GPU by Release (Parallel Computing Toolbox). Задайте требования к оборудованию, используя 'ExecutionEnvironment'
аргумент пары "имя-значение".
[
классифицирует данные в updatedNet
,YPred
] = classifyAndUpdateState(recNet
,sequences
)sequences
использование обученной рекуррентной нейронной сети recNet
и обновляет состояние сети.
Эта функция поддерживает только рекуррентные нейронные сети. Область входа recNet
должен иметь по крайней мере один рекуррентный слой.
[
использует любой из аргументов в предыдущих синтаксисах и дополнительные опции, заданные одним или несколькими updatedNet
,YPred
] = classifyAndUpdateState(___,Name,Value
)Name,Value
аргументы в виде пар. Для примера, 'MiniBatchSize',27
классифицирует данные с помощью мини-пакетов размером 27
[
использует любой из аргументов в предыдущих синтаксисах, возвращает матрицу классификационных оценок и обновляет сетевое состояние.updatedNet
,YPred
,scores
] = classifyAndUpdateState(___)
Совет
При выполнении предсказаний с последовательностями разной длины мини-размер пакета может повлиять на количество заполнения, добавленного к входным данным, что может привести к различным предсказанным значениям. Попробуйте использовать различные значения, чтобы увидеть, какие из них лучше всего работают с вашей сетью. Чтобы задать размер мини-пакета и опции заполнения, используйте 'MiniBatchSize'
и 'SequenceLength'
опции, соответственно.
Когда вы обучаете сеть, используя trainNetwork
function, или когда вы используете функции предсказания или валидации с DAGNetwork
и SeriesNetwork
объекты, программное обеспечение выполняет эти расчеты с помощью арифметики с одной точностью и плавающей точкой. Функции для обучения, предсказания и валидации включают trainNetwork
, predict
, classify
, и activations
. Программа использует арифметику с одной точностью, когда вы обучаете сети, используя как центральные процессоры, так и графические процессоры.
[1] М. Кудо, Дж. Тояма и М. Симбо. «Многомерная классификация кривых с использованием областей». Распознавание Букв. Том 20, № 11-13, стр. 1103-1111.
[2] UCI Machine Learning Repository: Японский набор данных гласных. https://archive.ics.uci.edu/ml/datasets/Japanese+Vowels
bilstmLayer
| classify
| gruLayer
| lstmLayer
| predict
| predictAndUpdateState
| resetState
| sequenceInputLayer