使用训练有素的递归神经网络预测反应并更新网络状态
您可以在CPU或GPU上使用培训的深度学习网络进行预测。使用GPU需要并行计算工具箱™和CUDA®启用nvidia.®GPU,计算能力3.0或更高。使用“ExecutionEnvironment”名称-值对的论点。
[
预测数据的响应updatedNet
,ypred.
] = predictandupdattestate(regnet.
,序列
)序列
使用训练有素的递归神经网络regnet.
并更新网络状态。
这个函数只支持递归神经网络。万博1manbetx输入regnet.
必须至少有一个循环层。
[
使用前面语法中的任何参数和一个或多个指定的附加选项updatedNet
,ypred.
] = predictandupdattestate(___,名称,值
)名称,值
对参数。例如,'minibatchsize',27
使用尺寸为27的小批量进行预测。
提示
当用不同长度的序列进行预测时,迷你批量大小可以影响添加到的输入数据的填充量,这导致不同的预测值。尝试使用不同的值,以查看最适合您的网络。要指定迷你批量大小和填充选项,请使用'minibatchsize'
和“SequenceLength”
选项分别。
深度学习培训,预测和验证的所有功能,深度学习工具箱™使用单精度浮点算术执行计算。深度学习的功能包括trainNetwork
,预测
,分类
, 和激活
.当您使用CPU和GPU培训网络时,该软件使用单精度算术。
[1] M. Kudo,J. Toyama和M. Shimbo。“使用过度区域的多维曲线分类。”模式识别字母.卷。20,第11-13页,第1103-1111页。
[2]UCI机器学习存储库:日语元音数据集.https://archive.ics.uci.edu/ml/datasets/japanese+vowels.