主要内容

predictAndUpdateState

使用训练有素的递归神经网络预测反应并更新网络状态

折叠所有页面

语法

[updatedNet, YPred] = predictAndUpdateState (recNet序列)
[updatedNet, YPred] = predictAndUpdateState (＿＿＿、名称、值)

描述

你可以在CPU或GPU上使用训练有素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®使英伟达®GPU，计算能力3.0或更高。使用“ExecutionEnvironment”名称-值对的论点。

例子

［updatedNet，YPred) = predictAndUpdateState (recNet，序列）预测输入数据的响应序列使用训练有素的递归神经网络recNet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recNet必须至少有一个循环层。

［updatedNet，YPred) = predictAndUpdateState (＿＿＿，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

当使用不同长度的序列进行预测时，小批量的大小会影响添加到输入数据中的填充量，从而导致不同的预测值。尝试使用不同的值，看看哪一个最适合你的网络。要指定小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

打开生活的脚本

使用训练有素的递归神经网络预测反应并更新网络状态。

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。

网。层
ans x1 = 5层阵列层:1“sequenceinput”序列输入序列输入12维度2的lstm lstm lstm 100隐藏单位3 fc的完全连接9完全连接层4的softmax softmax softmax 5 classoutput的分类输出crossentropyex ' 1 ', 8其他类

加载测试数据。

[XTest,欧美]= japaneseVowelsTestData;

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 =大小(X, 2);为i = 1:numTimeSteps v = X(:，i);(净,分数)= predictAndUpdateState(净,v);分数(:,i) =分数;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。

一会=字符串(net.Layers(结束). class);Figure lines = plot(scores');传说numTimeSteps xlim ([1]) (“类”+类名,“位置”，“西北”)包含(“时间步”) ylabel (“分数”)标题(“预测分数随时间的变化”）

突出显示正确类随时间步长的预测得分。

trueLabel =欧美(94)
trueLabel =分类3.
行(trueLabel)。线宽= 3;

在条形图中显示最后的时间步长预测。

图酒吧(分数)标题(“最终预测评分”)包含(“类”) ylabel (“分数”）

输入参数

全部折叠

训练的递归神经网络，指定为SeriesNetwork或者一个DAGNetwork对象。您可以通过导入预先训练过的网络或通过使用trainNetwork函数。

recNet为递归神经网络。它必须至少有一个循环层(例如，LSTM网络)。

序列或时间序列数据，指定为N-by-1数字数组单元格数组，其中N是观察数、表示单个序列的数字数组或数据存储。

对于单元格数组或数字数组输入，包含序列的数字数组的维数取决于数据类型。

输入 描述
向量序列 c——- - - - - -年代矩阵,c序列的特征数是和吗年代为序列长度。
二维图像序列 h——- - - - - -w——- - - - - -c——- - - - - -年代数组,h，w,c分别对应图像的高度、宽度和通道数量，和年代为序列长度。
三维图像序列 h——- - - - - -w——- - - - - -d——- - - - - -c——- - - - - -年代,在那里h，w，d,c分别为三维图像通道的高度、宽度、深度和数量年代为序列长度。

对于数据存储输入，数据存储必须以序列单元格数组或第一列包含序列的表的形式返回数据。序列数据的维度必须与上表相对应。

名称-值对的观点

指定可选的逗号分隔的对名称,值参数。的名字参数名和价值为对应值。的名字必须出现在引号内。可以以任意顺序指定多个名称和值对参数Name1, Value1,…,的家．

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

用于预测的小批量的大小，指定为正整数。更大的迷你批处理需要更多的内存，但可以导致更快的预测。

当使用不同长度的序列进行预测时，小批量的大小会影响添加到输入数据中的填充量，从而导致不同的预测值。尝试使用不同的值，看看哪一个最适合你的网络。要指定小批量大小和填充选项，请使用“MiniBatchSize”和“SequenceLength”选项,分别。

例子:“MiniBatchSize”,256年

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”—自动应用一些适合输入网络和硬件资源的优化。

  • “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”可以提供性能优势，但以增加初始运行时为代价。使用兼容参数的后续调用速度更快。当您计划使用新输入数据多次调用函数时，请使用性能优化。

例子:“加速”、“汽车”

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GPU可用，请使用;否则，请使用CPU。

  • “图形”—使用GPU。使用GPU需要并行计算工具箱和支持CUDA的NVIDIA GPU，其计算能力为3.0或更高。如果并行计算工具箱或合适的GPU不可用，则软件返回错误。

  • “cpu”—使用CPU。

例子:“ExecutionEnvironment”、“cpu的

填充、截断或拆分输入序列的选项，指定为以下之一:

  • “最长”—在每个小批量中填充序列，使其与最长序列具有相同的长度。这个选项不会丢弃任何数据，尽管填充会给网络带来噪声。

  • “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—对于每个小批量，将序列填充到指定长度的最近倍数，该倍数大于最小批量中序列的最长长度，然后将序列分割成指定长度的更小的序列。如果发生分裂，则软件创建额外的小批量。如果完整序列无法装入内存，则使用此选项。或者，尝试通过设置来减少每个小批量的序列数量“MiniBatchSize”选择较低的值。

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、截断和分割．

例子:“SequenceLength”、“最短的

填充或截断的方向，指定为下列任一种:

  • “对”—在右侧填充或截断序列。序列在同一时间步开始，软件截断或添加填充到序列的结束。

  • “左”-在左侧填充或截断序列。该软件截断或添加填充到序列的开始，以便序列在同一时间步结束。

因为LSTM层处理序列数据的时间一步一次，当层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“SequencePaddingDirection”选项“左”．

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“SequencePaddingDirection”选项“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、截断和分割．

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”或者一个正整数。不要用南，因为这样做会在整个网络中传播错误。

例子:“SequencePaddingValue”,1

输出参数

全部折叠

网络更新。updatedNet是与输入网络相同类型的网络。

预测得分或反应，以矩阵或矩阵单元格数组的形式返回。的格式YPred这取决于问题的类型。

下表描述了分类问题的格式。

任务 格式
Sequence-to-label分类 N——- - - - - -K矩阵,N是观察的次数，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,K为类数。每个序列在应用后与相应的输入序列具有相同的时间步长SequenceLength选择每个小批独立。

对于单次观测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是一个K——- - - - - -年代分数矩阵，其中K是班数，和年代为对应输入序列的时间步长总数。

下表描述了回归问题的格式。

任务 格式
Sequence-to-one回归 N——- - - - - -R矩阵,N观察的次数是多少R为响应的数量。
Sequence-to-sequence回归

N-by-1数字序列单元格数组，其中N为观察次数。这些序列是矩阵R行,R为响应的数量。每个序列在应用后与相应的输入序列具有相同的时间步长SequenceLength选择每个小批独立。

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

deep learning Toolbox™中用于深度学习训练、预测和验证的所有函数使用单精度浮点算法执行计算。深度学习的函数包括trainNetwork，预测，分类,激活．当你同时使用cpu和gpu训练网络时，该软件使用单精度算法。

参考文献

工藤、富山、新保。“使用通过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

扩展功能

另请参阅

|||||||

主题

介绍了R2017b

深度学习工具箱文档

万博1manbetx

尝试MATLAB, Si万博1manbetxmulink和其他产品s manbetx 845

得到审判现在