시계열과시퀀스데이터에서의딥러닝

시계열분류，회귀및전망작업을위해신경망을만들고훈련시킵니다。

시계열분류，회귀및전망작업을위해신경망을만들고훈련시킵니다。sequence-to-one또는sequence-to-label분류및회귀문제에대해장단기기억(LSTM)신경망을훈련시킵니다。단어임베딩계층을사용하여텍스트데이터에대해LSTM신경망을훈련시키거나(文本分析工具箱™필요),스펙트로그램을사용하여오디오데이터에대해컨벌루션신경망을훈련시킬수있습니다(音频工具箱™필요)。

앱

심층신경망디자이너

딥러닝신경망의설계，시각화및훈련

함수

모두 확장

신경망훈련시키기

`trainingOptions`	딥러닝신경망훈련옵션
`trainNetwork`	딥러닝신경망훈련
`analyzeNetwork`	딥러닝신경망아키텍처분석

계층

입력 계층

`sequenceInputLayer`	시퀀스입력계층
`featureInputLayer`	특징입력계층

순환 계층

`lstmLayer`	장단기기억(lstm)계층
`bilstmLayer`	양방향장단기기억(BiLSTM)계층
`gruLayer`	门控循环单元(GRU)层
`lstmProjectedLayer`	长短期记忆(LSTM)投影层

컨벌루션계층과완전연결계층

`convolution1dLayer`	一维卷积层
`transposedConv1dLayer`	转置1-D卷积层
`fullyConnectedLayer`	완전연결계층

풀링 계층

`maxPooling1dLayer`	1-D最大池化层
`averagePooling1dLayer`	一维平均池化层
`globalMaxPooling1dLayer`	一维全局最大池化层
`globalAveragePooling1dLayer`	一维全局平均池化层

활성화및드롭아웃계층

`reluLayer`	ReLU(整流线性单元)계층
`leakyReluLayer`	Leaky ReLU(整流线性单元)계층
`clippedReluLayer`	剪辑ReLU(整流线性单元)계층
`eluLayer`	指数线性单元(ELU)层
`tanhLayer`	쌍곡탄젠트(tanh)계층
`swishLayer`	时髦的层
`geluLayer`	高斯误差线性单元(GELU)层
`softmaxLayer`	소프트맥스계층
`dropoutLayer`	드롭아웃계층
`functionLayer`	功能层

데이터조작

`sequenceFoldingLayer`	시퀀스접기계층
`sequenceUnfoldingLayer`	序列展开层
`flattenLayer`	평탄화계층

출력 계층

`classificationLayer`	분류출력계층
`regressionLayer`	회귀출력계층

예측

`分类`	훈련된딥러닝신경망을사용하여데이터분류
`预测`	훈련된딥러닝신경망을사용하여응답변수예측
`激活`	딥러닝신경망계층활성화계산
`predictAndUpdateState`	훈련된순환신경망을사용하여응답변수예측및신경망상태업데이트
`classifyAndUpdateState`	훈련된순환신경망을사용하여데이터분류및신경망상태업데이트
`resetState`	신경망의상태파라미터재설정
`confusionchart`	为分类问题创建混淆矩阵图
`sortClasses`	排序类混淆矩阵图

사용자지정훈련루프

padsequences 填充或截断序列数据到相同的长度

블록

모두 확장

심층신경망

预测	훈련된딥러닝신경망을사용하여응답변수예측
有状态的预测	使用训练过的循环神经网络预测反应
有状态的分类	使用训练好的深度学习循环神经网络对数据进行分类

속성

ConfusionMatrixChart属性

混淆矩阵图表外观和行为

도움말항목

순환신경망

장단기기억신경망
장단기기억(lstm)신경망에대해알아봅니다。
딥러닝을사용한시계열전망
이예제에서는장단기기억(LSTM)신경망을사용하여시계열데이터를전망하는방법을보여줍니다。
딥러닝을사용한시퀀스분류
이예제에서는장단기기억(LSTM)신경망을사용하여시퀀스데이터를분류하는방법을보여줍니다。
딥러닝을사용한序列对序列분류
이예제에서는장단기기억(LSTM)신경망을사용하여시퀀스데이터의각시간스텝을분류하는방법을보여줍니다。
딥러닝을사용한序列对序列회귀
이예제에서는딥러닝을사용하여엔진의잔여수명(rul)을예측하는방법을보여줍니다。
使用深度学习的序列对一回归
这个例子展示了如何使用长短期记忆(LSTM)神经网络预测波形的频率。
LSTM投影层训练网络
用LSTM投影层训练深度学习网络进行序列到标签分类。
심층신경망디자이너를사용하여간단한시퀀스분류신경망만들기
이예제에서는심층신경망디자이너를사용하여간단한장단기기억(LSTM)분류신경망을만드는방법을보여줍니다。
딥러닝을사용하여비디오분류하기
이예제에서는사전훈련된영상분류모델과LSTM신경망을결합하여비디오를분류하는신경망을만드는방법을보여줍니다。
使用自定义训练循环的深度学习分类视频
这个例子展示了如何通过结合预先训练的图像分类模型和序列分类网络来创建视频分类网络。
使用注意力的图像字幕
这个例子展示了如何使用注意力训练一个深度学习模型来进行图像配图。
사용자지정미니배치데이터저장소를사용하여시퀀스데이터에대해신경망훈련시키기
이예제에서는사용자지정미니배치데이터저장소를사용하여메모리에다담을수없을정도로큰시퀀스데이터를대상으로딥러닝신경망을훈련시키는방법을보여줍니다。
LSTM신경망의활성화시각화
이예제에서는활성화를추출하여LSTM신경망에서학습한특징을검사하고시각화하는방법을보여줍니다。
基于深度学习的化工过程故障检测
使用模拟数据训练神经网络，可以检测化学过程中的故障。
심층신경망디자이너를사용하여간단한시퀀스분류신경망만들기
이예제에서는심층신경망디자이너를사용하여간단한장단기기억(LSTM)분류신경망을만드는방법을보여줍니다。
用不规则采样时间序列数据训练潜在ODE网络
这个例子展示了如何用不规则时间间隔采样的时间序列数据训练潜在常微分方程(ODE)自编码器。

컨벌루션신경망

1차원컨벌루션을사용한시퀀스분류
이예제에서는1차원컨벌루션신경망을사용하여시퀀스데이터를분류하는방법을보여줍니다。
基于深度学习的时间序列异常检测
此示例显示如何检测序列或时间序列数据中的异常。
딥러닝을사용해음성명령식모델훈련시키기
이예제에서는오디오에서음성명령의존재여부를감지하는딥러닝모델을훈련시키는방법을보여줍니다。
使用不平衡类数据的训练序列分类网络
这个例子展示了如何使用1-D卷积神经网络对序列进行分类，使用类权重来修改训练以考虑不平衡的类。
1차원컨벌루션을사용한序列对序列분류
이예제에서는일반적인시간컨벌루션신경망(TCN:时间卷积网络)을사용하여시퀀스데이터의각시간스텝을분류하는방법을보여줍니다。
复值数据训练网络
这个例子展示了如何使用1-D卷积神经网络预测复值波形的频率。
使用Grad-CAM解释深度学习时间序列分类
这个例子展示了如何使用梯度加权类激活映射(Grad-CAM)技术来理解在时间序列数据上训练的1-D卷积神经网络的分类决策。
基于CNN-LSTM网络的序列分类
这个例子展示了如何通过结合二维卷积神经网络(CNN)和长短期记忆(LSTM)层来创建用于语音分类任务的二维CNN-LSTM网络。
숫자형특징을사용하여신경망훈련시키기
이예제에서는딥러닝특징데이터분류용으로간단한신경망을만들고훈련시키는방법을보여줍니다。

万博1manbetx를사용한딥러닝

在Simulink中预测和更新网络状态万博1manbetx
这个例子展示了如何预测Simulink®中训练好的循环神经网络的响应万博1manbetx有状态的预测块。
在Simulink中分类和更新网络状态万博1manbetx
这个例子展示了如何在Simulink®中为训练好的循环神经网络分类数据万博1manbetx有状态的分类块。
利用深度学习预测电池的充电状态
这个例子展示了如何使用深度学习训练神经网络来预测电池的充电状态。
提高Simulink中深度学习仿真的性能万博1manbetx
本示例展示了如何使用代码生成来提高Simulink®中深度学习模拟的性能。万博1manbetx
在Simulink中使用LSTM网络进行物理系统建模万博1manbetx
这个例子展示了如何通过训练长短期记忆(LSTM)神经网络来创建一个降阶模型(ROM)来替换Simulink®模型中的Simscape组件。万博1manbetx

MATLAB을사용한딥러닝

딥러닝계층목록
MATLAB^®에서제공하는딥러닝계층에대해알아봅니다。
用于深度学习的数据存储
了解如何在深度学习应用程序中使用数据存储。
Matlab의딥러닝
사전훈련된신경망및전이학습,그리고GPU, CPU、클러스터및클라우드에서의훈련등분류및회귀에컨벌루션신경망을사용하여MATLAB의딥러닝기능을알아봅니다。
딥러닝팁과령
딥러닝신경망의정확도를높이는방법을알아봅니다。
深度学习的数据集
发现各种深度学习任务的数据集。