predictandanddatestate.

使用训练有素的递归神经网络预测反应并更新网络状态

页面上倒塌

语法

[updatedNet, YPred] = predictAndUpdateState (recNet序列)

[updatedNet, YPred] = predictAndUpdateState (＿＿＿，名称，价值）

描述

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。

例子

［updatedNet，ypred.] = predictandupdattestate（regnet.，序列）预测数据的响应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。

［updatedNet，ypred.] = predictandupdattestate（＿＿＿，名称,值）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。

例子

全部折叠

预测和更新网络状态

打开直播脚本

使用培训的经常性神经网络预测响应并更新网络状态。

负载JapaneseVowelsNet，在[1]和[2]所述的日语元音数据集上训练的长短期记忆网络。该网络在按序列长度排序的序列上进行训练，最小批大小为27。

负载JapaneseVowelsNet

查看网络架构。

net.layers.

ANS = 5x1层阵列具有图层：1'SENDUNINPUT'序列输入序列输入序列输入12尺寸2'LSTM'LSTM LSTM LSTM LSTM为100个隐藏单元3'FC'完全连接的9完全连接的第4层SoftMax'SoftMax SoftMax SoftMax 5'ClassOutput'分类输出Crossentropyex与“1”和其他8个类

加载测试数据。

[xtest，ytest] =日本韦沃尔斯特迪塔

按顺序循环时间步骤。预测每个时间步的分数，更新网络状态。

x = xtest {94};numtimesteps = size（x，2）;为i = 1：numtimesteps v = x（：，i）;[净，得分] = predictandanddattestate（net，v）;分数（：，i）=得分;结束

绘制预测得分。该图显示了预测分数在时间步间的变化。

ClassNames = String（Net.Layers（END）.Classes）;图线= plot（分数'）;xlim（[1 numtimesteps]）传奇（“班级 ”+ classnames，'地点'，'西北'）Xlabel（“时间步骤”）ylabel（“分数”） 标题（“通过时间步骤的预测得分”）

通过时间步骤突出显示预测得分为正确的类。

truelabel = ytest（94）

truilabel =分类3.

线条（Truilabel）.linewidth = 3;

在条形图中显示最终时间步长预测。

图酒吧(分数)标题(“最终预测分数”）Xlabel（“班级”）ylabel（“分数”）

输入参数

全部折叠

`regnet.`- - - - - -经过培训的经常性神经网络
`SeriesNetwork`对象|`Dagnetwork.`对象

经过培训的经常性神经网络，指定为aSeriesNetwork或者一个Dagnetwork.目的。您可以通过导入预磨损的网络或使用您自己的网络使用培训的网络来获得培训的网络trainNetwork函数。

regnet.是一种经常性的神经网络。它必须具有至少一个复发层（例如，LSTM网络）。

`序列`- - - - - -序列或时间序列数据
数字阵列的单元阵列|数字数组|数据存储

序列或时间序列数据，指定为一个N-1个数字阵列的1个单元阵列，其中N是观察的数量，表示单个序列或数据存储的数字数组。

对于单元阵列或数字阵列输入，包含序列的数字阵列的尺寸取决于数据的类型。

输入	描述
矢量序列	c-经过-年代矩阵,c是序列的特征数量和年代是序列长度。
二维图像序列	h-经过-w-经过-c-经过-年代数组,h，w，和c对应于图像的高度，宽度和数量，以及年代是序列长度。
三维图像序列	h-经过-w-经过-d-经过-c-经过-年代，在哪里h，w，d，和c对应于3-D图像的高度，宽度，深度和数量，以及年代是序列长度。

对于数据存储区输入，数据存储必须将数据返回为序列的单元格数组或第一列包含序列的表。序列数据的尺寸必须对应于上表。

名称-值对的观点

指定可选的逗号分隔的对名称,值论点。姓名参数名和价值是相应的价值。姓名必须出现在引号内。可以以任意顺序指定多个名称和值对参数name1，value1，...，namen，valuen．

例子：[updatedNet, YPred] = predictAndUpdateState(recNet,C，'MiniBatchSize'，27)使用尺寸为27的小批量进行预测。

`'minibatchsize'`- - - - - -mini-batches大小
128.（默认）|正整数

用于预测的迷你批次的大小，指定为正整数。较大的迷你批量大小需要更多内存，但可以导致更快的预测。

例子：'minibatchsize'，256

`“加速”`- - - - - -性能优化
`“汽车”`（默认）|`“没有”`

性能优化，指定为逗号分隔对组成“加速”以及以下其中之一:

“汽车”- 自动应用适合输入网络和硬件资源的许多优化。
“没有”—禁用所有加速功能。

默认选项是“汽车”．

使用“加速”选项“汽车”可以提供绩效福利，但牺牲了增加的初始运行时间。具有兼容参数的后续调用更快。使用新输入数据计划多次调用函数时，使用性能优化。

例子：'加速'，'auto'

`“ExecutionEnvironment”`- - - - - -硬件资源
`“汽车”`（默认）|`'GPU'`|`'中央处理器'`

硬件资源，指定为逗号分隔对组成“ExecutionEnvironment”以及以下其中之一:

“汽车”- 如果有可用的话，请使用GPU;否则，使用CPU。
'GPU'—使用GPU。使用GPU需要并行计算工具箱和CUDA启用的NVIDIA GPU，其中计算能力3.0或更高。如果不可用并行计算工具箱或合适的GPU，则软件返回错误。
'中央处理器'- 使用CPU。

例子：'executionenvironment'，'cpu'

`“SequenceLength”`- - - - - -填充，截断或分割输入序列选项
`'最长'`（默认）|`“最短”`|正整数

选项要填充，截断或拆分输入序列，指定为以下之一：

'最长'- 每个迷你批处理中的缝合序列具有与最长序列相同的长度。此选项不会丢弃任何数据，但填充可以向网络引入噪点。
“最短”-截断每个小批中的序列，使其长度与最短序列相同。这个选项确保不添加任何填充，代价是丢弃数据。
正整数 - 对于每个小批次，填充序列到最接近的指定长度的倍数大于小批次中最长的序列长度，然后将序列分成规定长度的较小序列。如果发生拆分，则软件会创建额外的百分之批处理。如果完整序列不适合内存，请使用此选项。或者，尝试通过设置序列减少每百分之批次的序列数'minibatchsize'值较低的值。

要了解更多关于填充、截断和分割输入序列的效果，请参见序列填充，截断和分裂．

例子：'Sequencelength'，'最短'

`'sequencdpaddingdirection'`- - - - - -填充或截断的方向
`'对'`（默认）|`'剩下'`

填充或截断的方向，指定为以下之一：

'对'- 右侧的垫或截断序列。该序列在同一时间步骤开始，软件截断或将填充添加到序列的末尾。
'剩下'- 左侧或截断序列。该软件截断或将填充添加到序列的开始，使序列同时结束。

因为LSTM层次处理序列数据一次一次步骤，当图层时OutputMode属性是“最后一次”，最后时间步骤中的任何填充都会对层输出产生负面影响。要在左侧填充或截断序列数据，请设置'sequencdpaddingdirection'选择'剩下'．

对于序列到序列网络(当OutputMode属性是“序列”对于每个LSTM层)，第一个时间步骤中的任何填充都会对较早时间步骤的预测产生负面影响。要在右侧填充或截断序列数据，请设置'sequencdpaddingdirection'选择'对'．

要了解更多关于填充、截断和分割输入序列的效果，请参见序列填充，截断和分裂．

`'sequencdpaddingsvalue'`- - - - - -值填充输入序列
0（默认）|标量子

值，用来填充作为标量指定的输入序列。该选项仅在以下情况下有效SequenceLength是'最长'或正整数。不要用垫缝南，因为这样做可以在整个网络中传播错误。

例子：“SequencePaddingValue”,1

输出参数

全部折叠

`updatedNet`- 更新的网络
`SeriesNetwork`对象|`Dagnetwork.`对象

网络更新。updatedNet是与输入网络相同类型的网络。

`ypred.`- 预测分数或回复
矩阵|矩阵的细胞阵列

预测得分或响应，作为矩阵或小区矩阵阵列。格式ypred.取决于问题的类型。

下表描述了分类问题的格式。

任务	格式
Sequence-to-label分类	N-经过-K矩阵，其中N是观察人数，和K为类数。
Sequence-to-sequence分类	N-by-1单元格矩阵数组，其中N为观察次数。这些序列是矩阵K行，在哪里K为类数。在应用后，每个序列具有与相应的输入序列相同的时间步骤`SequenceLength`每个迷你批处理的选项独立。

对于一个观察的序列到序列分类问题，序列可以是一个矩阵。在这种情况下,ypred.是A.K-经过-年代分数矩阵，在哪里K是班数，和年代是相应输入序列中的总时间步长。

下表描述了回归问题的格式。

任务格式

Sequence-to-one回归 N-经过-R矩阵，其中N是观察人数和R为响应的数量。

Sequence-to-sequence回归

任务	格式
Sequence-to-one回归	N-经过-R矩阵，其中N是观察人数和R为响应的数量。
Sequence-to-sequence回归	N- 1个数字序列的单元阵列，其中N为观察次数。这些序列是矩阵R行，在哪里R为响应的数量。在应用后，每个序列具有与相应的输入序列相同的时间步骤`SequenceLength`每个迷你批处理的选项独立。对于单次观测的序列间问题，`序列`可以是一个矩阵。在这种情况下,`ypred.`是响应矩阵。

N- 1个数字序列的单元阵列，其中N为观察次数。这些序列是矩阵R行，在哪里R为响应的数量。在应用后，每个序列具有与相应的输入序列相同的时间步骤SequenceLength每个迷你批处理的选项独立。

对于单次观测的序列间问题，序列可以是一个矩阵。在这种情况下,ypred.是响应矩阵。

算法

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。

参考

[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.

扩展能力

GPU代码生成
使用GPU Coder™为NVIDIA®GPU生成CUDA®代码。

使用说明和限制：

GPU代码生成支持以下语法：万博1manbetx
- [updatedNet, YPred] = predictAndUpdateState (recNet序列)
- [updatedNet, YPred] = predictAndUpdateState(__、名称、值)
GPU代码生成predictandanddatestate.仅适用于经常性神经网络和CUDNN万博1manbetx目标库的功能。
cuDNN库支持向量和二维图像序列。万博1manbetx
对于向量序列输入，在代码生成期间必须是常数的特征数量。序列长度可以是可变的尺寸。
对于图像序列输入，在代码生成期间，通道的高度、宽度和数量必须是一个常量。
只有'minibatchsize'，“SequenceLength”，'sequencdpaddingdirection'，和'sequencdpaddingsvalue'代码生成支持名称值对参数。万博1manbetx所有名称值对必须是编译时间常量。
只有'最长'和“最短”选项“SequenceLength”代码生成支持名称-值对。万博1manbetx

另请参阅

主题

介绍了R2017b

predictandanddatestate.

语法

描述

例子

预测和更新网络状态

输入参数

`regnet.`- - - - - -经过培训的经常性神经网络
`SeriesNetwork`对象|`Dagnetwork.`对象

`序列`- - - - - -序列或时间序列数据
数字阵列的单元阵列|数字数组|数据存储

名称-值对的观点

`'minibatchsize'`- - - - - -mini-batches大小
128.（默认）|正整数

`“加速”`- - - - - -性能优化
`“汽车”`（默认）|`“没有”`

`“ExecutionEnvironment”`- - - - - -硬件资源
`“汽车”`（默认）|`'GPU'`|`'中央处理器'`

`“SequenceLength”`- - - - - -填充，截断或分割输入序列选项
`'最长'`（默认）|`“最短”`|正整数

`'sequencdpaddingdirection'`- - - - - -填充或截断的方向
`'对'`（默认）|`'剩下'`

`'sequencdpaddingsvalue'`- - - - - -值填充输入序列
0（默认）|标量子

输出参数

`updatedNet`- 更新的网络
`SeriesNetwork`对象|`Dagnetwork.`对象

`ypred.`- 预测分数或回复
矩阵|矩阵的细胞阵列

算法

参考

扩展能力

GPU代码生成
使用GPU Coder™为NVIDIA®GPU生成CUDA®代码。

另请参阅

主题

深度学习工具箱文档

万博1manbetx

与Matlab引入深度学习

predictandanddatestate.

语法

描述

例子

预测和更新网络状态

输入参数

regnet.- - - - - -经过培训的经常性神经网络SeriesNetwork对象|Dagnetwork.对象

序列- - - - - -序列或时间序列数据数字阵列的单元阵列|数字数组|数据存储

名称-值对的观点

'minibatchsize'- - - - - -mini-batches大小128.（默认）|正整数

“加速”- - - - - -性能优化“汽车”（默认）|“没有”

“ExecutionEnvironment”- - - - - -硬件资源“汽车”（默认）|'GPU'|'中央处理器'

“SequenceLength”- - - - - -填充，截断或分割输入序列选项'最长'（默认）|“最短”|正整数

'sequencdpaddingdirection'- - - - - -填充或截断的方向'对'（默认）|'剩下'

'sequencdpaddingsvalue'- - - - - -值填充输入序列0（默认）|标量子

输出参数

updatedNet- 更新的网络SeriesNetwork对象|Dagnetwork.对象

ypred.- 预测分数或回复矩阵|矩阵的细胞阵列

算法

参考

扩展能力

GPU代码生成使用GPU Coder™为NVIDIA®GPU生成CUDA®代码。

另请参阅

主题

深度学习工具箱文档

万博1manbetx

与Matlab引入深度学习

`regnet.`- - - - - -经过培训的经常性神经网络
`SeriesNetwork`对象|`Dagnetwork.`对象

`序列`- - - - - -序列或时间序列数据
数字阵列的单元阵列|数字数组|数据存储

`'minibatchsize'`- - - - - -mini-batches大小
128.（默认）|正整数

`“加速”`- - - - - -性能优化
`“汽车”`（默认）|`“没有”`

`“ExecutionEnvironment”`- - - - - -硬件资源
`“汽车”`（默认）|`'GPU'`|`'中央处理器'`

`“SequenceLength”`- - - - - -填充，截断或分割输入序列选项
`'最长'`（默认）|`“最短”`|正整数

`'sequencdpaddingdirection'`- - - - - -填充或截断的方向
`'对'`（默认）|`'剩下'`

`'sequencdpaddingsvalue'`- - - - - -值填充输入序列
0（默认）|标量子

`updatedNet`- 更新的网络
`SeriesNetwork`对象|`Dagnetwork.`对象

`ypred.`- 预测分数或回复
矩阵|矩阵的细胞阵列

GPU代码生成
使用GPU Coder™为NVIDIA®GPU生成CUDA®代码。