主要内容

resetState

复位神经网络状态参数

折叠所有页面

语法

netupdate = resetState(net)

描述

例子

netUpdated= resetState (网）重置神经网络的状态参数。使用此函数重置循环神经网络(如LSTM网络)的状态。

例子

全部折叠

打开实时脚本

重置序列预测之间的网络状态。

负载JapaneseVowelsNet，一个预先训练的长短期记忆(LSTM)网络，在日语Vowels数据集上训练，如[1]和[2]所述。该网络在按序列长度排序的序列上训练，迷你批大小为27。

负载JapaneseVowelsNet

查看网络结构。

网层
ans = 5x1层数组与层:1' sequenceinput'序列输入序列输入与12维2 'lstm' lstm lstm与100个隐藏单元3 'fc'全连接9全连接层4 'softmax' softmax softmax 5 'classoutput'分类输出crossentropyex与'1'和8个其他类

加载测试数据。

[XTest,YTest] =日本evowelstestdata;

对序列进行分类并更新网络状态。为了重现性，设置rng来“洗牌”．

rng (“洗牌”) X = XTest{94};[net,label] = classifyAndUpdateState(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

将最终预测结果与真实标签进行比较。

trueLabel = YTest(1)
trueLabel =分类1

网络的更新状态可能会对分类产生负面影响。重置网络状态并重新预测序列。

net = resetState(net);label = category (net,XTest{1})
标签=分类1

输入参数

全部折叠

神经网络，指定为aSeriesNetwork，DAGNetwork,或dlnetwork对象。

的resetState函数只有在以下情况下才有作用网有状态参数(例如，至少有一个循环层的网络，如LSTM层)。如果输入网络没有状态参数，则函数没有作用并返回输入网络。

输出参数

全部折叠

更新后的网络，作为与输入网络相同类型的网络返回。

的resetState函数只有在以下情况下才有作用网有状态参数(例如，至少有一个循环层的网络，如LSTM层)。如果输入网络没有状态参数，则函数没有作用并返回输入网络。

参考文献

[1]工藤M.，富山J.，辛波M.。“使用穿过区域的多维曲线分类”模式识别信．第20卷，11-13号，第1103-1111页。

[２]UCI机器学习库:日语元音数据集．https://archive.ics.uci.edu/ml/datasets/Japanese+Vowels

扩展功能

版本历史

在R2017b中引入

另请参阅

|||||

主题