深入学习时间序列，序列和文本
为时间序列分类、回归和预测任务创建和训练网络。训练长短期记忆(LSTM)网络，以解决序列对一或序列对标签的分类和回归问题。您可以使用word嵌入层(requires text Analytics Toolbox™)在文本数据上训练LSTM网络，或使用声谱图(requires audio Toolbox™)在音频数据上训练卷积神经网络。
应用
| 深层网络设计师 | 设计，可视化和培训深度学习网络 |
功能
块
属性
| ConfusionMatrixChart属性 | 困惑矩阵图表外观和行为 |
例子及如何
序列和时间序列
此示例显示如何使用长短短期内存（LSTM）网络对序列数据进行分类。
这个例子展示了如何使用长短期记忆(LSTM)网络对序列数据的每个时间步进行分类。
该实例展示了如何利用深度学习方法预测发动机的剩余使用寿命。
这个例子展示了如何使用长短期记忆(LSTM)网络预测时间序列数据。
此示例显示如何通过组合预先训练的图像分类模型和LSTM网络来创建用于视频分类的网络。
这个例子展示了如何训练一个深度学习模型来检测音频中语音命令的存在。
此示例显示如何使用注意力为图像标题训练深度学习模型。
这个例子展示了如何使用自定义的小批量数据存储来训练深度学习网络处理内存不足的序列数据。
这个例子展示了如何通过提取激活来研究和可视化LSTM网络学习到的特征。
这个例子展示了如何使用通用时间卷积网络(TCN)对序列数据的每个时间步进行分类。
这个例子展示了如何使用模拟数据来训练一个神经网络来检测化学过程中的故障。
交互式构建和编辑深度学习网络。
此示例显示如何使用深网络设计器创建简单的长短期内存（LSTM）分类网络。
文本数据
这个例子展示了如何使用深度学习长短期记忆(LSTM)网络对文本数据进行分类。
这个例子展示了如何使用卷积神经网络对文本数据进行分类。
这个例子展示了如何对具有多个独立标签的文本数据进行分类。
此示例显示如何使用转换的数据存储对存储器外部文本数据进行分类。
这个例子展示了如何使用循环的序列到序列编码器-解码器模型将十进制字符串转换为罗马数字。
此示例显示如何培训深度学习长期内存（LSTM）网络以生成文本。
这个例子展示了如何训练一个深度学习LSTM网络来使用字符嵌入来生成文本。
此示例显示如何培训深度学习LSTM网络以生成文本逐个字。
此示例显示如何使用autoencoders生成文本数据。
这个例子展示了如何定义一个文本编码器模型函数。
这个例子展示了如何定义一个文本解码器模型函数。
概念
了解长短期记忆(LSTM)网络。
发现Matlab中的所有深度学习层®。
学习如何在深度学习应用程序中使用数据存储。
在Matlab中发现使用卷积神经网络进行分类和回归的深度学习能力，包括佩戴网络和转移学习，以及GPU，CPU，集群和云的培训。
了解如何提高深度学习网络的准确性。
为各种深度学习任务发现数据集。
特色例子
您也可以从以下列表中选择一个网站:
