MATLAB深度学习之LSTM

MATLAB深度学习之LSTM

深度学习工具箱

net = trainNetwork(sequences,Y,layers,options)

clc
clear
%% 训练深度学习 LSTM 网络，进行序列到标签的分类。
%XTrain 是一个包含 270 个不同长度序列的单元阵列，具有 12 个与 LPC cepstrum 系数对应的特征。
%Y 是标签 1，2,...,9 的分类矢量。
%XTrain 中的条目是包含 12 行（每个要素一行）和不同数量的列（每个时间步一列）的矩阵。
[XTrain,YTrain] = japaneseVowelsTrainData;
figure
plot(XTrain{1}')
title("Training Observation 1")
numFeatures = size(XTrain{1},1);
legend("Feature " + string(1:numFeatures),'Location','northeastoutside')
%% 定义 LSTM 网络架构。
%将输入大小指定为 12（输入数据的要素数）。
%指定 LSTM 图层具有 100 个隐藏单位并输出序列的最后一个元素。
%最后，通过包括大小为 9 的完全连接图层，然后包括软最大图层和分类图层来指定九个类。
inputSize = 12;
numHiddenUnits = 100;
numClasses = 9;
layers = [ ...
    sequenceInputLayer(inputSize)
    lstmLayer(numHiddenUnits,'OutputMode','last')
    fullyConnectedLayer(numClasses)
    softmaxLayer
    classificationLayer]
%% 指定训练选项。
%将解算器指定为"adam"，将"渐变"指定为 1。
%将小批处理大小设置为 27，将纪元的最大数设置为 70。
%由于小批量小，序列短，CPU 更适合训练。
%将"执行环境"设置为"cpu"。若要在 GPU 上进行训练（如果可用），请将"执行环境"设置为"自动"（默认值）
maxEpochs = 70;
miniBatchSize = 27;

options = trainingOptions('adam', ...
    'ExecutionEnvironment','cpu', ...
    'MaxEpochs',maxEpochs, ...
    'MiniBatchSize',miniBatchSize, ...
    'GradientThreshold',1, ...
    'Verbose',false, ...
    'Plots','training-progress');
%% 使用指定的训练选项训练 LSTM 网络
net = trainNetwork(XTrain,YTrain,layers,options);
%% 加载测试集，将序列分类
[XTest,YTest] = japaneseVowelsTestData;
%% 对测试数据进行分类。将小批处理大小设置为 27。
miniBatchSize = 27;
YPred = classify(net,XTest,'MiniBatchSize',miniBatchSize);
%% 计算预测的分类精度。
acc = sum(YPred == YTest)./numel(YTest)