可以使用“trainNetwork”训练深层神经网络回归/分类使用非或不连续的数据。
MATLAB R2020b和后:
使用“featureInputLayer”当你有一个数据集的数字标量代表特性(数据没有空间和时间维度)。
下面的例子在“trainNetwork”文档页面使用“featureInputLayer”训练学习模型。
对MATLAB R2020a:早些时候,
如果你遵循文档链接:
//www.tianjin-qmedu.com/help/releases/R2020a/deeplearning/ref/trainnetwork.html bu6sn4c_sep_shared-X
“trainNetwork”,那么函数假设输入“X”是一个图像矩阵的大小4 d维度对应于不同的图像。输出“Y”可以是二维矩阵。所以你可以使用下面的方法来改变输入数据集,如果您想要使用深层神经网络求解传统的回归和/或分类问题为非,不连续的数据。
nFeatures = 20;
nExamples = 10000;
nOutputs = 1;%这个例子是建立一个回归的问题
x =兰特(nExamples nFeatures);
t =兰特(nExamples nOutputs);
XNew =重塑(x”,[1,1,大小(x, 2),大小(x, 1)));
新输入”XNew“现在最后一个维度对应不同的观测数据集。
你还必须改变层如下所示:\ n
\ n
层= […
imageInputLayer ([1 1 nFeatures]);%这层需求第一三维输入“XNew”
fullyConnectedLayer (10);
fullyConnectedLayer (nOutputs);%这连接层需要一个输出尺寸一样的反应(列)的输出数据集“t”
regressionLayer];
选择= trainingOptions (“个”);
trainedNet = trainNetwork (XNew t层,选择);
“trainNetwork”实际上是不可知论者图像或任何其他类型的数据,只要你有不到三维观察有相同的维度。在这种情况下,观测是几维,这样的例子。这样做的优势在于数据需要三维图像(如颜色)可以很容易地表示。然而,“trainNetwork”不是不可知论者的类型的数据使用什么层意义。如果您想要使用非图像数据,然后各种层,合理使用是减少。
一般信息:
关于执行分类/回归与非不连续数据,它有利于使用“FullyConnected”和“ReLU”层,而不是层像“Convolution2DLayer”,“LSTM”、“MaxPooling2D”。使用后层将没有多大意义,因为他们都认为一些空间或时间相关数据。
也有创建自定义的功能层实现其他根据您的需求定制功能。您可以参考以下文档中的示例链接:
