主要内容

resetState

重置经常性神经网络的状态

页面上倒塌

句法

updatedNet = RESETSTATE（RECNET）

描述

例子

UpdatedNet.= resetState (regnet.）将递归神经网络(例如LSTM网络)的状态重置为初始状态。

例子

全部收缩

打开生活的脚本

重置序列预测之间的网络状态。

加载Japanesevowelsnet.，如[1]和[2]中所述，在日本元音数据集上培训的预训练的长短期内存（LSTM）网络。该网络在序列上培训，序列长度与迷你批量大小为27。

加载Japanesevowelsnet.

查看网络架构。

网。层
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,欧美]= japaneseVowelsTestData;

对序列进行分类，更新网络状态。再现性,集RNG.至'洗牌'。

rng ('洗牌'）x = xtest {94​​};[net，label] = classifyandupdattestate（net，x）;标签
标签=分类3.

使用更新的网络对另一个序列进行分类。

x = xtest {1};标签=分类（NET，x）
标签=分类7.

将最终预测与真实标签进行比较。

truilabel = ytest（1）
truilabel =分类1

网络的更新状态可能产生负面影响。重置网络状态并再次预测序列。

net = ResetState（网络）;标签=分类（NET，XTEST {1}）
标签=分类1

输入参数

全部收缩

训练的递归神经网络，指定为系列网络或者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.功能。

regnet.是一种递归神经网络。它必须至少有一个循环层(例如，一个LSTM网络)。如果输入网络不是复制网络，则该函数没有效果并返回输入网络。

输出参数

全部收缩

更新的网络。UpdatedNet.与输入网络相同类型的网络。

如果输入网络不是复制网络，则该函数没有效果并返回输入网络。

参考文献

Kudo, J.富山，M. Shimbo。“利用穿越区域进行多维曲线分类。”模式识别字母。卷。20，第11-13页，第1103-1111页。

[2]UCI机器学习资料库:日语元音资料库。https://archive.ics.uci.edu/ml/datasets/japanese+vowels.

扩展能力

也可以看看

|||||

话题

在R2017B中介绍

深度学习工具箱文档

万博1manbetx

与Matlab引入深度学习

与Matlab引入深度学习

下载电子书