主要内容

预测

类:Autoencoder

使用训练过的自动编码器重建输入

全部展开页面

语法

Y =预测(autoenc, X)

描述

例子

Y =预测(autoenc, X)收益预测Y输入数据X，使用自动编码器autoenc．结果Y是对X．

输入参数

全部展开

的对象返回的自动编码器Autoencoder类。

输入数据，指定为样本矩阵、图像数据的单元阵列或单个图像数据的数组。

如果autoencoderautoenc是在一个矩阵上训练的，每一列代表一个样本，然后呢Xnew必须是一个矩阵，每一列代表一个样本。

如果autoencoderautoenc是在一组图像上训练的吗Xnew必须是图像数据的单元格数组或单个图像数据的数组。

数据类型:单|双|细胞

输出参数

全部展开

输入数据的预测Xnew，返回为图像数据的矩阵或单元格数组。

  • 如果Xnew是一个矩阵Y也是一个矩阵，其中每一列对应一个样本(观察或示例)。

  • 如果Xnew是图像数据的单元格数组吗Y也是图像数据的单元格数组，其中每个单元格包含单个图像的数据。

  • 如果Xnew是单个图像数据的数组吗Y也是单个图像数据的数组。

例子

全部展开

打开生活的脚本

加载训练数据。

X = iris_dataset;

训练数据包含鸢尾花的四个属性的测量值:萼片长度，萼片宽度，花瓣长度，花瓣宽度。

利用编码器中的正饱和线性传递函数和解码器中的线性传递函数对训练数据训练自编码器。

autoenc = trainAutoencoder (X,“EncoderTransferFunction”，．..“satlin”，“DecoderTransferFunction”，“purelin”）;

用训练过的网络重建测量数据，autoenc．

xReconstructed =预测(autoenc X);

将预测的测量值与训练数据集中的实际值绘制在一起。

为I = 1:4 h(I) = subplot(1,4, I);情节(X(我,:),“r”。）;持有在情节(xReconstructed(我,:),“去”）;持有从；结束标题(h (1) {“花萼”；“长度”}）;标题(h (2) {“花萼”；“宽度”}）;标题(h (3) {“花瓣”；“长度”}）;标题(h (4) {“花瓣”；“宽度”}）;

图中包含4个轴对象。轴对象1带有标题萼片长度包含2个类型线对象。轴对象2与标题萼片宽度包含2个对象的类型线。轴对象3与标题花瓣长度包含2个对象的类型线。带有标题花瓣宽度的轴对象4包含2个类型为line的对象。

红点表示训练数据，绿圆表示重构数据。

打开脚本

加载训练数据。

XTrain = digitTrainCellArrayData;

训练数据是一个1 × 5000的单元阵列，其中每个单元包含一个28 × 28的矩阵，代表一个手写数字的合成图像。

训练一个包含25个神经元的隐藏层的自动编码器。

hiddenSize = 25;autoenc = trainAutoencoder (XTrain hiddenSize,．..“L2WeightRegularization”, 0.004,．..“SparsityRegularization”4．..“SparsityProportion”, 0.15);

加载测试数据。

XTest = digitTestCellArrayData;

测试数据是一个1 × 5000的单元阵列，每个单元包含一个28 × 28的矩阵，代表一个手写数字的合成图像。

使用经过训练的自动编码器重建测试图像数据，autoenc．

xReconstructed =预测(autoenc XTest);

查看实际测试数据。

图;为I = 1:20 subplot(4,5, I);imshow (XTest{我});结束

查看重构的测试数据。

图;为I = 1:20 subplot(4,5, I);imshow (xReconstructed{我});结束

另请参阅

介绍了R2015b

深度学习工具箱文档

万博1manbetx

介绍基于MATLAB的深度学习

介绍基于MATLAB的深度学习

下载电子书