主要内容

Clasificación de secuencias mediante深度学习

Este ejemplo muestra cómo保密数据中间的红色记忆的corto-largo广场(LSTM)。

大脑深处的红色神经元,能找到安全的分类数据,大脑深处的红色神经元。LSTM的红红的许可证介绍安全的数据在红红的预测中,在时间上,在时间上,在个人上,在安全的数据。

Este ejemplo usa el conjunto de datos de vocales japonesas como se描述en [1] y[2]。我爱你,我爱你,我爱你,我爱你,我爱你,我爱你。我们的时代已经结束了,我们的时代已经开始了。Cada secuencia cuenta con 12 características y不同的经度。连续数据的联盟270个关于人类的观测和370个关于普鲁巴的观测。

Cargar datos secuenciales

这是日本人的歌。XTrain联合国阿雷格洛,塞尔达斯,大陆270安全地带dimensión 12在不同的经度。YEs UN vector categórico de las etiquetas "1","2",…,“9”,que se corresponden con los nueve hablantes。Las entradas deXTrain子矩阵con 12 filas (una fila por característica) y UN número变量de column (una columna por unidad de tiempo)。

[XTrain,YTrain] = japevowelstraaindata;XTrain (1:5)
ans =5×1单元格数组{12x20 double} {12x26 double} {12x22 double} {12x20 double} {12x21 double}

这是我们的天堂之旅gráfica。Cada línea se对应的con una característica。

图(XTrain{1}') xlabel(“时间步”)标题(“训练观察1”) numFeatures = size(XTrain{1},1);传奇(“特性”+字符串(1:numFeatures),位置=“northeastoutside”

图中包含一个axes对象。标题为Training Observation 1的坐标轴对象包含12个类型为line的对象。这些对象代表特性1、特性2、特性3、特性4、特性5、特性6、特性7、特性8、特性9、特性10、特性11、特性12。

准备好数据

"我的记忆" "预先确定的形式" "我的软件" "我的记忆" "我的记忆" "我的记忆" "我的记忆" "我的记忆" "我的记忆" "我的记忆" "我的记忆"这是我的上帝,我的上帝,我的上帝,我的上帝。

一个有前途的法律程序añada demasiado relleno,一个有前途的法律程序一个有前途的法律程序一个有前途的法律程序一个有前途的法律程序tamaño一个有前途的法律程序一个有前途的法律程序一个有前途的法律程序类似。我是说,我知道,我知道,我知道,我知道,我知道,我知道,我知道。

奥滕加,经度,安全,和,caada observación。

numObservations = numel(XTrain);i=1:numObservations sequence = XTrain{i};sequenceLengths(i) = size(sequence,2);结束

Ordene los datos por longitude de secuencia。

[sequenceLengths,idx] = sort(sequenceLengths);XTrain = XTrain(idx);YTrain = YTrain(idx);

看它的经度,安全,和,ordenadas en una gráfica de barras。

图栏(sequenceLengths) ylim([0 30]) xlabel([0 30])“序列”) ylabel (“长度”)标题(“排序数据”

图中包含一个axes对象。标题为Sorted Data的axes对象包含一个类型为bar的对象。

埃里亚un tamaño迷你的27个,在你的世界里,在你的世界里,在你的世界里,在你的世界里,在你的世界里。我的名字是añadido一个安全的人。

miniBatchSize = 27;

LSTM的定义

设计,建筑,红色,LSTM。特别是tamaño de la entrada para tener secuencias de tamaño 12 (la dimensión de los datos de entrada)。特别之处,LSTM双向的100个眼睛和眼睛的秘密,秘密的秘密,último安全的元素。Por último,特别的新类包括:全部加起来加起来tamaño 9、加起来加起来加起来加起来clasificación。

我在这里找到了完整的安全的记忆predicción, podrá我们在LSTM的尽头双向的。这是LSTM双向的安全保障完成了时间的统一。我没有一种方式获得安全完整的时刻和记忆predicción,我有一种方式,está我有一种方式,我有一种方式,我有一种方式,我有一种方式,我有一种方式。

inputSize = 12;numHiddenUnits = 100;numClasses = 9;图层= [...sequenceInputLayer inputSize bilstmLayer (numHiddenUnits OutputMode =“最后一次”fulllyconnectedlayer (numClasses)
2”BiLSTM BiLSTM与100个隐藏单元3”全连接9全连接层4”Softmax Softmax 5”分类输出crossentropyex

阿霍拉,特别要说的是。特殊解算器“亚当”el本影del gradient en 1 y el número máximo de épocas en 50。Para rellenar los datos y que tengan la misma longitude que las secuencias más largas,特别是la longitude de la secuencias en“最长”.我是说,我是说,我是说,我是说,我是说,我是说,我是说,我是说,我是说,我是说。

我们的孩子pequeños我们的孩子是安全的,我们的孩子是安全的más我们的孩子是安全的。建立opciónExecutionEnvironment“cpu”.Para realizar un enrenamiento en una GPU, si está无可推卸,建立起la opciónExecutionEnvironment“汽车”(este es el英勇无畏)。

options = trainingOptions(“亚当”...ExecutionEnvironment =“cpu”...GradientThreshold = 1,...MaxEpochs = 50,...MiniBatchSize = MiniBatchSize,...SequenceLength =“最长”...洗牌=“从不”...Verbose = 0,...情节=“训练进步”);

红色的LSTM万岁

这是我在LSTM的红色和我的想法,我的想法,我的想法trainNetwork

net = trainNetwork(XTrain,YTrain,layers,options);

{

可能是LSTM

我的货物,我的货物,我的货物,我的货物,我的货物。

这是日本人的歌。XTest这是联合国在不同的经度上的370安全区域dimensión。欧美Es UN vector categórico de las etiquetas "1","2",…,“9”,que se corresponden con los nueve hablantes。

[XTest,YTest] = japevowelstestdata;XTest (1:3)
ans =3×1单元格数组{12x19 double} {12x17 double} {12x19 double}

La red de LSTM这是很相似的。Asegúrese de que los datos de prueba se organizan de misma forma。我的数据,我的信息,我的信息。

numObservationsTest = numel(XTest);i=1:numObservationsTest sequence = XTest{i};sequenceLengthsTest(i) = size(sequence,2);结束[sequenceLengthsTest,idx] = sort(sequenceLengthsTest);XTest = XTest(idx);YTest = YTest(idx);

分类,los datos de prueba。我想说的是,我想说的是,我想说的是,我想说的是,我想说的是,我想说的是,我想说的是,我想说的是,我想说的是。我知道我的秘密,我的秘密,我的秘密,我的秘密,我的秘密“最长”

YPred = class (net,XTest,...MiniBatchSize = MiniBatchSize,...SequenceLength =“最长”);

计算la precisión de clasificación de las预测。

acc = sum(YPred == YTest)./numel(YTest)
Acc = 0.9730

Referencias

[1]工藤先生,富山先生,Shimbo先生。“利用穿过区域的多维曲线分类”。模式识别信.第20卷第11-13期,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

Consulte也

||||

特马relacionados