matlab中如何创建网络,使用深度网络设计器创建简单的序列分类网络
加载数据
按照 [1] 和 [2] 中的说明加载日语元音数据集。预测变量是包含不同长度序列的元胞数组，特征维度为 12。标签是由标签 1、2、...、9 组成的分类向量。
[XTrain,YTrain] = japaneseVowelsTrainData;
[XValidation,YValidation] = japaneseVowelsTestData;
查看前几个训练序列的大小。序列是具有 12 行(每个特征一行)和不同列数(每个时间步一列)的矩阵。
XTrain(1:5)
ans=5×1 cell array
{12×20 double}
{12×26 double}
{12×22 double}
{12×20 double}
{12×21 double}
定义网络架构
打开深度网络设计器。
deepNetworkDesigner
在序列到标签上暂停，然后点击打开。这会打开一个适合序列分类问题的预置网络。
深度网络设计器显示该预置网络。
您可以轻松地将此序列网络用于日语元音字母数据集。
选择 sequenceInputLayer，检查并确认 InputSize 设置为 12，与特征维度匹配。
选择 lstmLayer 并将 NumHiddenUnits 设置为 100。
选择 fullyConnectedLayer，检查并确认 OutputSize 设置为 9，即类的数目。
检查网络架构
要检查网络并查看层的详细信息，请点击分析。
导出网络架构
要将网络架构导出到工作区，请在设计器选项卡上，点击导出。深度网络设计器将网络保存为变量 layers_1。
您还可以通过选择导出 > 生成代码来生成用于构造网络架构的代码。
训练网络
指定训练选项并训练网络。
由于小批量数据存储较小且序列较短，因此更适合在 CPU 上训练。将 'ExecutionEnvironment' 设置为 'cpu'。要在 GPU(如果可用)上进行训练，请将 'ExecutionEnvironment' 设置为 'auto'(默认值)。
miniBatchSize = 27;
options = trainingOptions('adam', ...
'ExecutionEnvironment','cpu', ...
'MaxEpochs',100, ...
'MiniBatchSize',miniBatchSize, ...
'ValidationData',{XValidation,YValidation}, ...
'GradientThreshold',2, ...
'Shuffle','every-epoch', ...
'Verbose',false, ...
'Plots','training-progress');
训练网络。
net = trainNetwork(XTrain,YTrain,layers_1,options);
测试网络
对测试数据进行分类，并计算分类准确度。指定与训练相同的小批量大小。
YPred = classify(net,XValidation,'MiniBatchSize',miniBatchSize);
acc = mean(YPred == YValidation)
acc = 0.9432
在接下来的步骤中，您可以尝试通过使用双向 LSTM (BiLSTM) 层或创建更深的网络来提高准确度。有关详细信息，请参阅长短期记忆网络。
有关说明如何使用卷积网络对序列数据进行分类的示例，请参阅使用深度学习进行语音命令识别。
参考资料
[1] Kudo, Mineichi, Jun Toyama, and Masaru Shimbo.“Multidimensional Curve Classification Using Passing-through Regions.”Pattern Recognition Letters 20, no. 11–13 (November 1999):1103–11. https://doi.org/10.1016/S0167-8655(99)00077-X.
[2] Kudo, Mineichi, Jun Toyama, and Masaru Shimbo.Japanese Vowels Data Set.Distributed by UCI Machine Learning Repository. https://archive.ics.uci.edu/ml/datasets/Japanese+Vowels