使用深度学习序列分类
此示例显示如何使用长短短期内存（LSTM）网络对序列数据进行分类。
要培训深度神经网络来对序列数据进行分类，可以使用LSTM网络。LSTM网络使您可以将序列数据输入到网络中，并基于序列数据的各个时间步骤进行预测。
此示例使用如[1]和[2]中所述的日语元音数据集。该示例列举了LSTM网络，以识别给定的时间序列数据代表连续使用的两个日本元音。培训数据包含九个扬声器的时间序列数据。每个序列具有12个特征，长度变化。数据集包含270个培训观察和370个测试观察。
加载序列数据
加载日语元音培训数据。XTrain.是包含不同长度的270个尺寸12的细胞阵列。y是标签“1”，“2”，......，“9”的分类向量，它对应九个扬声器。参赛作品XTrain.是具有12行的矩阵（每个特征的一行）和不同数量的列（每次步骤一列）。
[Xtrain，Ytrain] = JapanesevowelstrainData;XTrain（1：5）
ans =.5×1个单元阵列{12×20 double} {12×26 double} {12×22 double} {12×20 double} {12×21双}
在绘图中可视化第一次序列。每行对应于特征。
图绘图（XTrain {1}'）XLabel（“时间步骤”） 标题（“培训观察1”）numfeatures = size（xtrain {1}，1）;传奇（“特征 ”+字符串（1：numfeatures），'地点'那“东北朝”）
准备填充数据
在培训期间，默认情况下，软件将培训数据分割为迷你批次，并填充序列，使它们具有相同的长度。填充太多可能对网络性能产生负面影响。
为防止培训过程添加太多填充，您可以按顺序对培训数据进行排序，并选择迷你批次尺寸，以便在迷你批处理中的序列具有相似的长度。下图显示了排序数据之前和之后的填充序列的效果。
获取每个观察的序列长度。
numobservations = numel（xtrain）;为了i = 1：numobservations sequence = xtrain {i};Sequencelengths（i）=大小（序列，2）;结尾
按顺序长度对数据进行排序。
[Sequencelengths，IDx] =排序（Sequencelength）;XTrain = XTrain（IDX）;YTrain = Ytrain（IDX）;
在条形图中查看排序的序列长度。
图栏（Sequencelength）Ylim（[030]）XLabel（“顺序”）ylabel（“长度”） 标题（“排序数据”）
选择Mini-Batch大小为27，以均匀地将培训数据分开，并减少较小批次中的填充量。下图说明了添加到序列的填充。
minibatchsize = 27;
定义LSTM网络架构
定义LSTM网络架构。将输入大小指定为尺寸12的序列（输入数据的尺寸）。指定具有100个隐藏单元的双向LSTM层，并输出序列的最后一个元素。最后，通过包括一个完全连接的大小9层来指定九类，然后是Softmax层和分类层。
如果您可以在预测时间访问完整序列，则可以在网络中使用双向LSTM层。双向LSTM层在每次步骤中从完整序列学习。例如，如果您没有访问预测时间的完整序列，例如，如果您是预测值或一次预测一次，则使用LSTM层。
输入= 12;numhidendunits = 100;numclasses = 9;层= [......sequenceInputLayer（InputSize）BilstMlayer（numhidentunits，'OutputMode'那'最后的'）全连接列（numclasses）softmaxlayer类层]
图层= 5×1层阵列，图层：1''序列输入序列输入，带12尺寸2''Bilstm Bilstm，具有100个隐藏单元3''完全连接的9完全连接的第4层''softmax Softmax 5''分类输出CrossentRopyex
现在，指定培训选项。指定求解器'亚当'，梯度阈值为1，以及最大时期为100.为了减少迷你批次中的填充量，选择mini批量大小为27.要填充数据以具有与相同的长度最长序列，指定序列长度'最长'。为确保数据保持按顺序长度保持排序，请指定永远不会破坏数据。
由于迷你批次具有短序列，因此培训更适合CPU。指定'executionenvironment'成为'中央处理器'。在GPU上训练，如果有的话，设置'executionenvironment'到'汽车'（这是默认值）。
maxepochs = 100;minibatchsize = 27;选项=培训选项（'亚当'那......'executionenvironment'那'中央处理器'那......'gradientthreshold'，1，......'maxepochs'，maxepochs，......'minibatchsize'，小匹马，......'sequencelength'那'最长'那......'洗牌'那'绝不'那......'verbose'，0，......'plots'那'培训 - 进步'）;
火车LSTM网络
使用指定的培训选项列车将LSTM网络列入Trainnetwork.。
net = trainnetwork（xtrain，ytrain，图层，选项）;
测试LSTM网络
加载测试集并将序列分类为扬声器。
加载日语元音测试数据。XTest.是包含不同长度的370尺寸12的细胞阵列。ytest.是标签“1”，“2”，...“9”的分类向量，它与九个扬声器相对应。
[xtest，ytest] =日本韦沃尔斯特迪塔XTEST（1：3）
ans =.3×1个单元阵列{12×19双} {12×17双} {12×19双}
LSTM网络网使用Mini-批次的类似长度序列进行培训。确保以相同的方式组织测试数据。按顺序长度对测试数据进行排序。
numobservationstest = numel（xtest）;为了i = 1：numobservationstest序列= xtest {i};SequenceLengdentStest（i）=大小（序列，2）;结尾[SequenceLengdentStest，IDX] =排序（SequenceLengdentStest）;xtest = xtest（idx）;ytest = ytest（idx）;
分类测试数据。为减少分类过程引入的填充量，将迷你批量大小设置为27.要将与训练数据相同的填充，请指定序列长度'最长'。
minibatchsize = 27;ypred =分类（net，xtest，......'minibatchsize'，小匹马，......'sequencelength'那'最长'）;
计算预测的分类准确性。
ACC = SUM（YPRED == ytest）./ numel（ytest）
ACC = 0.9730.
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.
也可以看看
Bilstmlayer.|lstmlayer.|sequenceInputlayer.|培训选项|Trainnetwork.
相关话题
您还可以从以下列表中选择一个网站：
