Clasificación secuencia一个secuencia中间深度学习
Este ejemplo muestra cómo安全数据的时间分类,中间的红色记忆,cortolargo广场(LSTM)。
在一个红色的神经系统中,在一个分类的时间上,在一个安全数据的时间上,在一个实用的时间上una red de LSTM de secuencia一个secuencia.安全之红,安全之白,安全之实现,不同预测,时间之统一,个人安全之数据。
这是一种使用传感器数据和智能手机数据的方法。在LSTM中,在不同的方向上,在不同的方向上,在不同的方向上,在不同的方向上,在不同的方向上,在不同的方向上。关于人的关系和时间的连续性的资料。安全之门características不同的经度。连续的数据,连续的观测,连线的观测,连线的观测observación,普鲁巴。
Cargar datos secuenciales
人类活动的调查数据。我们的数据están我们的传感器数据和智能手机数据和我们的数据。安全之门características不同的经度。Las tres características se correspondence con Las lecturas del acelerómetro en tres direcciones different。
负载HumanActivityTrainXTrain
XTrain =6×1单元格数组{3×64480 double} {3×53696 double} {3×56416 double} {3×50688 double} {3×51888 double} {3×54256 double}
眼前的安全景象gráfica。代表la primera característica de la secuencia de entrenamiento和colororee la gráfica de acerdo con la actividad通讯员。
X = XTrain{1}(1,:);classes = categories(YTrain{1});数字为J = 1:编号(类)标签=类(J);idx = find(YTrain{1} == label);持有在情节(idx X (idx))结束持有从包含(“时间步”) ylabel (“加速”)标题(“训练序列1,特征1”)传说(类,“位置”,“西北”)
LSTM的红色建筑定义
Defina la arquitectura de la red de LSTM特别是关于安全的entrada en secuencias de tamaño 3 (el número de características de los datos de entrada)。特别在LSTM上有200个完整的秘密。Por último,具体的分类包括:tamaño 5, seguida de una capa softmax y una capa de clasificación。
numFeatures = 3;numHiddenUnits = 200;numClasses = 5;层= [...sequenceInputLayer numFeatures lstmLayer (numHiddenUnits,“OutputMode”,“序列”) fullyConnectedLayer(numClasses) softmaxLayer classificationLayer];
特别的是,我爱你。解算器“亚当”
.Entrene durante 60 épocas。2.倾斜的本影,倾斜的本影。
选项= trainingOptions(“亚当”,...“MaxEpochs”现年60岁的...“GradientThreshold”2,...“详细”0,...“阴谋”,“训练进步”);
在中间,有一种特别的感觉trainNetwork
.一个小的连续的连词,完整的连词,一个完整的连词gráfica一个完整的连词época。安全之子,在这片土地上,在这片土地上,在这片土地上,在这片土地上,在这片土地上,在这片土地上,在这片土地上gráfica。
net = trainNetwork(XTrain,YTrain,图层,选项);
Probar la red de LSTM
在时间和行动上的货物和数据分类。
货物,资料,人类活动。XTest
连续性una única secuencia de dimensión 3。欧美
礼仪安全的连续性categóricas在时间上的活动与步调上的联系。
负载HumanActivityTest图(XTest{1}')“时间步”)传说(“特性”+ (1:numFeatures))“测试数据”)
法律资料分类分类
.
YPred = category (net,XTest{1});
我有另一种选择,我有我的预测,我有我的梦想,我有我的梦想classifyAndUpdateState
.Esta opción结果útil在世界上最重要的事情,在世界上最重要的事情,在世界上最重要的事情。总而言之,más rápido我们有清醒的安全完整的预言comparación我们有一个统一的时间的预言。Para ver ver un ejemplous que muestra cómo在未来的时间里,实现了一个红色的中心,预测了一个孤独的世界,咨询Pronóstico de series de tiempo mediante深度学习.
计算la precisión de las predicciones。
acc = sum(YPred == YTest{1})./ nummel (YTest{1})
Acc = 0.9998
比较关于我们在世界上的预测gráfica。
图绘制(YPred,“。”)举行在情节(欧美{1})从包含(“时间步”) ylabel (“活动”)标题(“预测活动”)传说([“预测”“测试数据”])
Consulte也
trainNetwork
|trainingOptions
|lstmLayer
|sequenceInputLayer