sequenceInputLayer
序列输入层
描述
序列输入层向网络输入序列数据。
创建
属性
例子
创建序列输入层
用名称创建一个序列输入层“seq1”输入大小为12。
层= sequenceInputLayer(12，“名字”，“seq1”）
层= SequenceInputLayer属性:名称:'seq1' InputSize: 12 MinLength: 1超参数归一化:'none' NormalizationDimension: 'auto'
中包含序列输入层层数组中。
inputSize = 12;numHiddenUnits = 100;numClasses = 9;层= [.．.sequenceInputLayer inputSize lstmLayer (numHiddenUnits,“OutputMode”，“最后一次”fullyConnectedLayer(numClasses) softmaxLayer classificationLayer
2”LSTM LSTM 100个隐藏单元3”全连接9全连接层4”Softmax Softmax 5”分类输出crossentropyex
为图像序列创建序列输入层
创建一个名称为224-224 RGB图像序列的序列输入层“seq1”．
layer = sequenceInputLayer([224 224 3]，“名字”，“seq1”）
Name: 'seq1' InputSize: [224 224 3] MinLength: 1超参数归一化:'none' NormalizationDimension: 'auto'
序列分类训练网络
训练深度学习LSTM网络进行序列到标签分类。
按照[1]和[2]中的描述加载Japanese Vowels数据集。XTrain是包含270个不同长度序列的单元阵列，其中12个特征对应于LPC倒谱系数。Y是标签1,2，…，9的分类向量。中的条目XTrain是有12行(每个特征一行)和不同数量列(每个时间步骤一列)的矩阵。
[XTrain,YTrain] =日本evowelstraindata;
把第一个时间序列想象成一个图形。每一行对应一个特征。
图形图(XTrain{1}')“训练观察1”) numFeatures = size(XTrain{1}，1);传奇(“特性”+字符串(1:numFeatures),“位置”，“northeastoutside”）
定义LSTM网络体系结构。将输入大小指定为12(输入数据的特征数量)。指定一个LSTM层有100个隐藏单元，并输出序列的最后一个元素。最后，指定9个类，包括大小为9的全连接层，然后是softmax层和分类层。
inputSize = 12;numHiddenUnits = 100;numClasses = 9;层= [.．.sequenceInputLayer inputSize lstmLayer (numHiddenUnits,“OutputMode”，“最后一次”fullyConnectedLayer(numClasses) softmaxLayer classificationLayer
2”LSTM LSTM 100个隐藏单元3”全连接9全连接层4”Softmax Softmax 5”分类输出crossentropyex
指定培训选项。指定求解器为“亚当”而且“GradientThreshold”为1。将mini-batch大小设置为27，并将最大epoch数设置为70。
因为迷你批的数量小，序列短，所以CPU更适合训练。集“ExecutionEnvironment”来“cpu”．要在GPU上训练，如果可用，请设置“ExecutionEnvironment”来“汽车”(默认值)。
maxEpochs = 70;miniBatchSize = 27;选项= trainingOptions(“亚当”，.．.“ExecutionEnvironment”，“cpu”，.．.“MaxEpochs”maxEpochs,.．.“MiniBatchSize”miniBatchSize,.．.“GradientThreshold”，1，.．.“详细”假的,.．.“阴谋”，“训练进步”）;
使用指定的培训选项对LSTM网络进行培训。
net = trainNetwork(XTrain,YTrain，图层，选项);
加载测试集并将序列分类到扬声器中。
[XTest,YTest] =日本evowelstestdata;
分类测试数据。指定用于训练的相同的小批大小。
YPred = category (net,XTest，“MiniBatchSize”, miniBatchSize);
计算预测的分类精度。
acc = sum(YPred == YTest)./ nummel (YTest)
Acc = 0.9595
分类LSTM网络
要创建用于序列到标签分类的LSTM网络，请创建一个层数组，其中包含序列输入层、LSTM层、全连接层、softmax层和分类输出层。
将序列输入层的大小设置为输入数据的特征数量。将全连接层的大小设置为类的数量。您不需要指定序列长度。
对于LSTM层，指定隐藏单元的数量和输出模式“最后一次”．
numFeatures = 12;numHiddenUnits = 100;numClasses = 9;层= [.．.sequenceInputLayer numFeatures lstmLayer (numHiddenUnits,“OutputMode”，“最后一次”) fullyConnectedLayer(numClasses) softmaxLayer classificationLayer];
有关演示如何训练LSTM网络进行序列到标签分类和对新数据进行分类的示例，请参见使用深度学习的序列分类．
如果要创建用于序列到序列分类的LSTM网络，请使用与序列到标签分类相同的架构，但将LSTM层的输出模式设置为“序列”．
numFeatures = 12;numHiddenUnits = 100;numClasses = 9;层= [.．.sequenceInputLayer numFeatures lstmLayer (numHiddenUnits,“OutputMode”，“序列”) fullyConnectedLayer(numClasses) softmaxLayer classificationLayer];
回归LSTM网络
要创建用于序列对一回归的LSTM网络，请创建一个包含序列输入层、LSTM层、全连接层和回归输出层的层数组。
将序列输入层的大小设置为输入数据的特征数量。将全连接层的大小设置为响应的数量。您不需要指定序列长度。
对于LSTM层，指定隐藏单元的数量和输出模式“最后一次”．
numFeatures = 12;numHiddenUnits = 125;numResponses = 1;层= [.．.sequenceInputLayer numFeatures lstmLayer (numHiddenUnits,“OutputMode”，“最后一次”) fullyConnectedLayer(numResponses) regressionLayer];
要创建用于序列到序列回归的LSTM网络，请使用与序列到一回归相同的体系结构，但将LSTM层的输出模式设置为“序列”．
numFeatures = 12;numHiddenUnits = 125;numResponses = 1;层= [.．.sequenceInputLayer numFeatures lstmLayer (numHiddenUnits,“OutputMode”，“序列”) fullyConnectedLayer(numResponses) regressionLayer];
有关演示如何训练LSTM网络进行序列到序列回归和对新数据进行预测的示例，请参见使用深度学习的序列到序列回归．
更深层次的LSTM网络
通过使用输出模式插入额外的LSTM层，可以使LSTM网络更深“序列”在LSTM层之前。为了防止过拟合，可以在LSTM层之后插入dropout层。
对于序列到标签的分类网络，最后一层LSTM的输出模式必须为“最后一次”．
numFeatures = 12;numhiddenunit1 = 125;numhiddenunit2 = 100;numClasses = 9;层= [.．.sequenceInputLayer numFeatures lstmLayer (numHiddenUnits1,“OutputMode”，“序列”lstmLayer(numhiddenunit2)“OutputMode”，“最后一次”) dropoutLayer(0.2) fullyConnectedLayer(numClasses) softmaxLayer classificationLayer];
对于序列到序列的分类网络，最后一层LSTM的输出模式必须为“序列”．
numFeatures = 12;numhiddenunit1 = 125;numhiddenunit2 = 100;numClasses = 9;层= [.．.sequenceInputLayer numFeatures lstmLayer (numHiddenUnits1,“OutputMode”，“序列”lstmLayer(numhiddenunit2)“OutputMode”，“序列”) dropoutLayer(0.2) fullyConnectedLayer(numClasses) softmaxLayer classificationLayer];
创建视频分类网络
为包含图像序列的数据(如视频和医学图像数据)创建深度学习网络。
要将图像序列输入到网络中，请使用序列输入层。
为了独立地对每个时间步应用卷积运算，首先使用序列折叠层将图像序列转换为图像数组。
若要在执行这些操作后恢复序列结构，请使用序列展开层将此图像数组转换回图像序列。
要将图像转换为特征向量，请使用压平层。
然后，您可以将向量序列输入到LSTM和BiLSTM层。
定义网络架构
创建一个分类LSTM网络，将28 × 28灰度图像序列分类为10类。
定义如下网络架构:
输入大小为的序列输入层
[28 28 1]．一个带有20个5 × 5滤波器的卷积、批归一化和ReLU层块。
一个带有200个隐藏单元的LSTM层，只输出最后一个时间步长。
一个大小为10的全连接层(类的数量)，然后是一个softmax层和一个分类层。
为了在每个时间步上独立地执行卷积运算，在卷积层之前包含一个序列折叠层。LSTM层期望矢量序列输入。为了恢复序列结构并将卷积层的输出重塑为特征向量序列，在卷积层和LSTM层之间插入序列展开层和平坦层。
inputSize = [28 28 1];filterSize = 5;numFilters = 20;numHiddenUnits = 200;numClasses = 10;层= [.．.sequenceInputLayer (inputSize“名字”，“输入”) sequenceFoldingLayer (“名字”，“折”) convolution2dLayer (filterSize numFilters,“名字”，“conv”) batchNormalizationLayer (“名字”，bn的) reluLayer (“名字”，“relu”) sequenceUnfoldingLayer (“名字”，“展开”) flattenLayer (“名字”，“平”) lstmLayer (numHiddenUnits“OutputMode”，“最后一次”，“名字”，“lstm”) fullyConnectedLayer (numClasses“名字”，“俱乐部”) softmaxLayer (“名字”，“softmax”) classificationLayer (“名字”，“分类”));
将图层转换为图层图并连接miniBatchSize序列折叠层的输出到序列展开层的相应输入。
lgraph = layerGraph(图层);lgraph = connectLayers(“折/ miniBatchSize”，“展开/ miniBatchSize”）;
工具查看最终的网络架构情节函数。
图绘制(lgraph)
参考文献
[1]工藤M.，富山J.，辛波M.。“使用穿过区域的多维曲线分类”模式识别信．第20卷，11-13号，第1103-1111页。
[２]UCI机器学习库:日语元音数据集．https://archive.ics.uci.edu/ml/datasets/Japanese+Vowels
扩展功能
版本历史
在R2017b中引入
您也可以从以下列表中选择一个网站: