使用经过训练的深度学习神经网络对数据进行分类
你可以使用经过训练的神经网络在CPU或GPU上进行深度学习进行预测。使用GPU需要并行计算工具箱™和CUDA®使英伟达®计算能力3.0或更高的GPU。方法指定硬件需求ExecutionEnvironment
名称-值对的论点。
对于具有多个输出的网络,请使用预测
并设置“ReturnCategorial”
选项真正的
。
(
中图像数据的类标签YPred
,分数
)=分类(净
,洛桑国际管理发展学院
)洛桑国际管理发展学院
使用训练过的网络,净
。
(
预测带有由一个或多个名称-值对参数指定的附加选项的类标签。YPred
,分数
)=分类(___,名称,值
)
当使用不同长度的序列进行预测时,迷你批大小会影响输入数据中填充的数量,从而导致不同的预测值。尝试使用不同的值来查看哪种方法最适合您的网络。若要指定小批处理大小和填充选项,请使用“MiniBatchSize”
和“SequenceLength”
选项。
深度学习工具箱™中用于深度学习培训、预测和验证的所有功能都使用单精度浮点算法进行计算。深度学习的功能包括trainNetwork
,预测
,分类
,激活
。当使用cpu和gpu训练网络时,该软件使用单精度算法。
对于具有多个输出的网络,请使用预测
并设置“ReturnCategorial”
选项真正的
。
您可以使用一个经过训练的网络来计算预测的分数预测
。
您还可以使用以下命令从网络层计算激活激活
。
对于序列到标签和序列到序列分类网络,您可以使用以下命令进行预测和更新网络状态classifyAndUpdateState
和predictAndUpdateState
。
[1] M. Kudo, J. Toyama,和M. Shimbo。“使用穿越区域的多维曲线分类”。模式识别的字母。第20卷,第11-13期,第1103-1111页。
[2]UCI机器学习知识库:日语元音数据集。https://archive.ics.uci.edu/ml/datasets/Japanese+Vowels