Exponenta Banner

Stateful Classify

Классифицируйте данные с помощью обученной рекуррентной нейронной сети глубокого обучения

расширьте все на странице
  • Библиотека:

  • Deep Learning Toolbox / Глубокие нейронные сети

  • Stateful Classify block

Описание

Блок Stateful Classify предсказывает метки класса для данных во входе при помощи обученной рекуррентной нейронной сети, заданной через параметры блоков. Этот блок позволяет загружать предварительно обученной сети в Simulink® модель из MAT-файла или из MATLAB® функция. Этот блок обновляет состояние сети с каждым предсказанием.

Ограничения

Блок Stateful Classify не поддерживает логгирование MAT-файла.

Порты

Входной параметр

развернуть все

Формат входа зависит от типа данных.

Входной параметрОписание
Векторные последовательностиc-by-s матрицы, где c является количеством функций последовательностей и s, является длиной последовательности.
2D последовательности изображенийh-by-w-by-c-by-s массивы, где h, w и c соответствуют высоте, ширине, и количеству каналов изображений, соответственно, и s, является длиной последовательности.

Вывод

развернуть все

Предсказанный класс помечает самым высоким счетом, возвращенным как N-by-1 перечисленный вектор из меток, где N является количеством наблюдений.

Предсказанные баллы, возвращенные как N-by-K матрица, где N является количеством наблюдений и K, являются количеством классов.

Метки сопоставили с предсказанными баллами, возвращенными как N-by-K матрица, где N является количеством наблюдений, и K является количеством классов.

Параметры

развернуть все

Задайте источник для обученной рекуррентной нейронной сети. Обучивший сеть должен иметь по крайней мере один текущий слой (например, сеть LSTM). Выберите одно из следующего:

  • Network from MAT-file— Импортируйте обученную рекуррентную нейронную сеть из MAT-файла, содержащего SeriesNetwork, DAGNetwork, или dlnetwork объект.

  • Network from MATLAB function— Импортируйте предварительно обученную рекуррентную нейронную сеть из функции MATLAB.

Программируемое использование

Параметры блоков: Network
Ввод: вектор символов, строка
Значения: 'Network from MAT-file' | 'Network from MATLAB function'
Значение по умолчанию: 'Network from MAT-file'

Этот параметр задает имя MAT-файла, который содержит обученную рекуррентную нейронную сеть, чтобы загрузить. Если файл не находится на пути MATLAB, используйте кнопку Browse, чтобы определить местоположение файла.

Зависимости

Чтобы включить этот параметр, установите параметр Network на Network from MAT-file.

Программируемое использование

Параметры блоков: NetworkFilePath
Ввод: вектор символов, строка
Значения: путь к MAT-файлу или имя
Значение по умолчанию: 'untitled.mat'

Этот параметр задает имя функции MATLAB для предварительно обученной рекуррентной нейронной сети.

Зависимости

Чтобы включить этот параметр, установите параметр Network на Network from MATLAB function.

Программируемое использование

Параметры блоков: NetworkFunction
Ввод: вектор символов, строка
Значения: имя функции MATLAB
Значение по умолчанию: 'untitled'

Параметр Sample time задает, когда блок вычисляет новое выходное значение в процессе моделирования. Для получения дополнительной информации см. Настройку времени выборки (Simulink).

Задайте параметр Sample time как скаляр, когда вы не захотите, чтобы выход возместил время. Чтобы добавить смещение времени к выходу, задайте параметр Sample time как 1- 2 вектор, где первым элементом является период выборки и второй элемент, является смещением.

По умолчанию значением параметров Sample time является -1 наследовать значение.

Программируемое использование

Параметры блоков: SampleTime
Ввод: символьный вектор
Значения: скаляр | вектор
Значение по умолчанию: '-1'

Включите выходному порту ypred это выводит метку с самым высоким счетом.

Программируемое использование

Параметры блоков: Classification
Ввод: вектор символов, строка
Значения: 'off' | 'on'
Значение по умолчанию: 'on'

Включите выходным портам scores и labels тот выход все предсказанные баллы и сопоставленные метки класса.

Программируемое использование

Параметры блоков: Predictions
Ввод: вектор символов, строка
Значения: 'off' | 'on'
Значение по умолчанию: 'off'

Примеры модели

Classify and Update Network State in Simulink

Классифицируйте и обновите сетевое состояние в Simulink

Классифицируйте данные для обученной рекуррентной нейронной сети в Simulink® при помощи Stateful Classify блок. Этот пример использует предварительно обученную сеть долгой краткосрочной памяти (LSTM).

Расширенные возможности

Смотрите также

| |

Введенный в R2021a

Документация Deep Learning Toolbox

Поддержка