主要内容

预测

类:autoencoder.

使用培训的autoencoder重建输入

展开所有页面

句法

Y =预测(autoenc, X)

描述

例子

Y =预测(autoenc, X)返回预测y输入数据X，使用autoencoderautoenc。结果y是对X。

输入参数

展开全部

训练有素的autoencoder，作为对象返回autoencoder.班级。

输入数据，指定为样本的矩阵，图像数据的小区阵列，或单个图像数据的阵列。

如果是autoencoder.autoenc在矩阵上培训，其中每列代表单个样本，然后XNEW.必须是矩阵，其中每列代表单个样本。

如果是autoencoder.autoenc然后在细胞的图像阵列上培训XNEW.必须是图像数据的小区阵列或单个图像数据阵列。

数据类型：单身的|双倍的|细胞

输出参数

展开全部

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也是一种矩阵，其中每列对应于单个样本（观察或示例）。

  • 如果XNEW.是图像数据的单元阵列，然后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，然后是一个图像数据y也是单个图像数据的数组。

例子

展开全部

打开生活的脚本

加载培训数据。

x = iris_dataset;

训练数据包含对虹膜花的四个属性的测量：萼片长度，萼片宽度，花瓣长，花瓣宽度。

在解码器中的正饱和线性传递函数中，在训练数据上列车在训练数据上培训AutoEncoder。解码器中的线性传递函数。

autoenc = trainautoencoder（x，'EncoderTransferfunction'那......'萨特琳'那'decodertransferfunction'那“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。

为了i = 1：4 h（i）=子图（1,4，i）;plot（x（我，:)，'r。'）;抓住在绘图（XReconstructed（我，:)，'走'）;抓住离开;结尾标题(h (1) {'萼片';“长度”}）;标题（H（2），{'萼片';'宽度'}）;标题（H（3），{“花瓣”;“长度”}）;标题（H（4），{“花瓣”;'宽度'}）;

图包含4个轴对象。轴对象1具有标题萼片长度包含2个类型的型号。具有标题萼片宽度的轴对象2包含2个类型的物体。带有标题花瓣长度的轴对象3包含2个类型的线。轴对象4具有标题花瓣宽度包含2个类型的2个对象。

红色点表示训练数据，绿色圆圈代表重建数据。

打开脚本

加载培训数据。

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。

用含有25个神经元的隐藏层训练autoencoder。

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个单元阵列，每个单元包含表示手写数字的合成图像的28×28矩阵。

使用培训的autoencoder重建测试图像数据，autoenc。

xReconstructed =预测(autoenc XTest);

查看实际的测试数据。

数字;为了I = 1:20 subplot(4,5, I);imshow (XTest{我});结尾

查看重建的测试数据。

数字;为了I = 1:20 subplot(4,5, I);imshow（xreconstructed {i}）;结尾

也可以看看

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