加载数据

如图所述，加载日本元音数据集[1]和[2]。预测因子是包含长度序列的细胞阵列，特征维度为12。标签是标签1,2，...，9的分类向量。

[Xtrain，Ytrain] = japanyvowelstraindata;[xvalidation，yvalidation] = japanyvowelstestdata;

查看前几个训练序列的尺寸。序列是矩阵，具有12行（每个功能为一行）和不同数量的列（每个时间步长的一列）。

Xtrain（1：5）

ans =5×1单元格数组{12×20 double} {12×26 double} {12×22 double} {12×20 double} {12×21 double}

定义网络体系结构

打开深网设计师。

DeepNetworkDesigner

暂停序列到标签然后单击打开。这开设了一个适合序列分类问题的预构建网络。

Deep Network Designer显示预制网络。

您可以轻松地为日本元音数据集适应此序列网络。

选择sequenceInputlayer并检查输入设置为12匹配特征维度。

选择lstmlayer并设置numhidendunits到100。

选择完整连接的layerer并检查输出尺寸设置为9，类的数量。

检查网络体系结构

要检查网络并检查各个层的更多详细信息，请单击分析。

导出网络体系结构

将网络体系结构导出到工作区，设计师选项卡，单击出口。深网设计师将网络保存为变量层_1。

您还可以通过选择来生成代码来构建网络体系结构出口>生成代码。

火车网络

指定培训选项并培训网络。

由于迷你批次很小，序列短，因此CPU更适合训练。放“执行环境”至'中央处理器'。在GPU上训练，如果有的话，请设置“执行环境”至'汽车'（默认值）。

minibatchsize = 27;选项=训练（'亚当'，，，，...“执行环境”，，，，'中央处理器'，，，，...“ maxepochs”，100，...“ MINIBATCHSIZE”，minibatchsize，...'验证data'，{xvalidation，yvalidation}，...“梯度阈值”，2，...“洗牌”，，，，“每个段”，，，，...“冗长”，错误的，...“绘图”，，，，“训练过程”）；

训练网络。

net = trainnetwork（Xtrain，Ytrain，Layers_1，选项）;

您还可以使用深网设计器和数据存储对象训练该网络。有关如何在深网设计师中训练序列到序列回归网络的示例，请参见使用深网设计师的时间序列预测时间序列的火车网络。

测试网络

对测试数据进行分类并计算分类精度。指定与培训相同的迷你批量尺寸。

ypred =分类（net，xvalidation，“ MINIBATCHSIZE”，minibatchSize）;acc =平均值（ypred == yvalidation）

ACC = 0.9405

对于下一步，您可以尝试使用双向LSTM（BILSTM）层或创建更深的网络来提高准确性。有关更多信息，请参阅长期短期存储网络。

有关如何使用卷积网络对序列数据进行分类的示例，请参见使用深度学习的语音命令识别。

参考

[1] Kudo，Mineichi，Jun Toyama和Masaru Shimbo。“使用传递区域的多维曲线分类。”图案识别字母20，否。11–13（1999年11月）：1103–11。https://doi.org/10.1016/s0167-8655(99)00077-x。

[2] Kudo，Mineichi，Jun Toyama和Masaru Shimbo。日本元音数据集。由UCI机器学习存储库分发。https://archive.ics.uci.edu/ml/datasets/japanese+vowels