sequenceInputLayer
序列输入层
描述
序列输入层向网络输入序列数据。
创建
属性
例子
创建序列输入层
创建一个带有名称的序列输入层“seq1”输入大小为12。
层= sequenceInputLayer (12,“名字”，“seq1”）
layer = SequenceInputLayer，属性:Name: 'seq1' InputSize: 12 MinLength: 1 SplitComplexInputs: 0 Hyperparameters NormalizationDimension: 'auto'
包含一个序列输入层层数组中。
inputSize = 12;numHiddenUnits = 100;numClasses = 9;层= [.．.sequenceInputLayer inputSize lstmLayer (numHiddenUnits,“OutputMode”，“最后一次”fulllyconnectedlayer (numClasses)
2”LSTM LSTM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
为图像序列创建序列输入层
创建一个序列输入层的序列224-224 RGB图像的名称“seq1”．
layer = sequenceInputLayer([224 224 3]，“名字”，“seq1”）
Name: 'seq1' InputSize: [224 224 3] MinLength: 1 SplitComplexInputs: 0 Hyperparameters NormalizationDimension: 'auto'
序列分类训练网络
训练深度学习LSTM网络进行序列到标签分类。
按照[1]和[2]中描述的方式加载日语元音数据集。XTrain是包含270个不同长度序列的单元阵列，有12个特征对应于LPC倒谱系数。Y是标签1,2，…，9的分类向量。的条目XTrain矩阵有12行(一行表示每个特征)和不同数量的列(一列表示每个时间步)。
[XTrain, YTrain] = japaneseVowelsTrainData;
在一个情节中想象第一个时间序列。每一行对应一个特征。
图绘制(XTrain{1}”)标题(“训练观察1”) numFeatures = size(XTrain{1}，1);传奇(“特性”+字符串(1:numFeatures),“位置”，“northeastoutside”）
定义LSTM网络架构。指定输入大小为12(输入数据的特征数量)。指定一个LSTM层有100个隐藏单元，并输出序列的最后一个元素。最后，指定9个类，包括一个大小为9的完全连接层，然后是一个softmax层和一个分类层。
inputSize = 12;numHiddenUnits = 100;numClasses = 9;层= [.．.sequenceInputLayer inputSize lstmLayer (numHiddenUnits,“OutputMode”，“最后一次”fulllyconnectedlayer (numClasses)
2”LSTM LSTM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
指定培训选项。指定求解器为“亚当”而且“GradientThreshold”为1。将迷你批处理大小设置为27，并将最大epoch数设置为70。
因为小批次的序列较短，CPU更适合训练。集“ExecutionEnvironment”来“cpu”．在GPU上训练，如果可用，设置“ExecutionEnvironment”来“汽车”(默认值)。
maxEpochs = 70;miniBatchSize = 27个;选择= trainingOptions (“亚当”，.．.“ExecutionEnvironment”，“cpu”，.．.“MaxEpochs”maxEpochs,.．.“MiniBatchSize”miniBatchSize,.．.“GradientThreshold”，1，.．.“详细”假的,.．.“阴谋”，“训练进步”）;
使用指定的培训选项对LSTM网络进行培训。
网= trainNetwork (XTrain、YTrain层,选择);
加载测试集并将序列分类到扬声器中。
[XTest,欧美]= japaneseVowelsTestData;
对测试数据进行分类。指定与培训时相同的小批大小。
XTest YPred =分类(净,“MiniBatchSize”, miniBatchSize);
计算预测的分类精度。
acc = sum(YPred == YTest)./numel(YTest)
acc = 0.9459
分类LSTM网络
创建用于序列到标签分类的LSTM网络时，需要创建包含序列输入层、LSTM层、全连通层、softmax层和分类输出层的层数组。
将序列输入层的大小设置为输入数据的特征数量。将全连接层的大小设置为类的数量。您不需要指定序列长度。
对于LSTM层，需要指定隐藏单元数和输出模式“最后一次”．
numFeatures = 12;numHiddenUnits = 100;numClasses = 9;层= [.．.sequenceInputLayer numFeatures lstmLayer (numHiddenUnits,“OutputMode”，“最后一次”) fulllyconnectedlayer (numClasses) softmaxLayer classificationLayer];
有关如何训练LSTM网络进行序列到标签分类和对新数据进行分类的示例，请参见利用深度学习进行序列分类．
在创建序列到序列分类的LSTM网络时，使用与序列到标签分类相同的架构，但LSTM层的输出模式设置为“序列”．
numFeatures = 12;numHiddenUnits = 100;numClasses = 9;层= [.．.sequenceInputLayer numFeatures lstmLayer (numHiddenUnits,“OutputMode”，“序列”) fulllyconnectedlayer (numClasses) softmaxLayer classificationLayer];
回归LSTM网络
为了创建序列对一回归的LSTM网络，需要创建一个包含序列输入层、LSTM层、全连接层和回归输出层的层数组。
将序列输入层的大小设置为输入数据的特征数量。将全连接层的大小设置为响应的数量。您不需要指定序列长度。
对于LSTM层，需要指定隐藏单元数和输出模式“最后一次”．
numFeatures = 12;numHiddenUnits = 125;numResponses = 1;层= [.．.sequenceInputLayer numFeatures lstmLayer (numHiddenUnits,“OutputMode”，“最后一次”) fullyConnectedLayer (numResponses) regressionLayer];
如果要创建序列对序列回归的LSTM网络，请使用与序列对一回归相同的体系结构，但将LSTM层的输出模式设置为“序列”．
numFeatures = 12;numHiddenUnits = 125;numResponses = 1;层= [.．.sequenceInputLayer numFeatures lstmLayer (numHiddenUnits,“OutputMode”，“序列”) fullyConnectedLayer (numResponses) regressionLayer];
有关展示如何训练LSTM网络进行序列对序列回归和对新数据进行预测的示例，请参见使用深度学习的序列对序列回归．
更深层次的LSTM网络
通过在输出模式中插入额外的LSTM层，可以使LSTM网络更深入“序列”在LSTM层之前。为了防止过拟合，可以在LSTM层之后插入dropout层。
对于序列到标签的分类网络，最后一层LSTM的输出模式必须为“最后一次”．
numFeatures = 12;numHiddenUnits1 = 125;numHiddenUnits2 = 100;numClasses = 9;层= [.．.sequenceInputLayer numFeatures lstmLayer (numHiddenUnits1,“OutputMode”，“序列”) dropoutLayer (0.2) lstmLayer (numHiddenUnits2“OutputMode”，“最后一次”) dropoutLayer(0.2) fullyConnectedLayer(numClasses) softmaxLayer classificationLayer];
对于序列到序列的分类网络，最后一层LSTM的输出模式必须为“序列”．
numFeatures = 12;numHiddenUnits1 = 125;numHiddenUnits2 = 100;numClasses = 9;层= [.．.sequenceInputLayer numFeatures lstmLayer (numHiddenUnits1,“OutputMode”，“序列”) dropoutLayer (0.2) lstmLayer (numHiddenUnits2“OutputMode”，“序列”) dropoutLayer(0.2) fullyConnectedLayer(numClasses) softmaxLayer classificationLayer];
创建视频分类网络
为包含图像序列的数据(如视频和医疗图像数据)创建深度学习网络。
要将图像序列输入到网络中，请使用序列输入层。
为了独立地对每个时间步应用卷积运算，首先使用序列折叠层将图像序列转换为图像数组。
要在执行这些操作后恢复序列结构，请使用序列展开层将该图像数组转换回图像序列。
要将图像转换为特征向量，使用扁平层。
然后可以将向量序列输入到LSTM和BiLSTM层。
定义网络体系结构
创建一个分类LSTM网络，将28 × 28灰度图像序列分为10个类。
定义以下网络架构:
输入大小为的序列输入层
[28 28 1]．一个包含20个5 × 5滤波器的卷积、批处理归一化和ReLU层块。
一个包含200个隐藏单元的LSTM层，只输出最后一个时间步长。
一个大小为10(类的数量)的完全连接层，后面是一个softmax层和一个分类层。
为了在每个时间步上独立地执行卷积运算，在卷积层之前包含一个序列折叠层。LSTM层期望向量序列输入。为了恢复序列结构，将卷积层的输出重塑为特征向量序列，在卷积层和LSTM层之间插入序列展开层和压平层。
inputSize = [28 28 1];filterSize = 5;numFilters = 20;numHiddenUnits = 200;numClasses = 10;层= [.．.sequenceInputLayer (inputSize“名字”，“输入”) sequenceFoldingLayer (“名字”，“折”) convolution2dLayer (filterSize numFilters,“名字”，“conv”) batchNormalizationLayer (“名字”，bn的) reluLayer (“名字”，“relu”) sequenceUnfoldingLayer (“名字”，“展开”) flattenLayer (“名字”，“平”) lstmLayer (numHiddenUnits“OutputMode”，“最后一次”，“名字”，“lstm”) fullyConnectedLayer (numClasses“名字”，“俱乐部”) softmaxLayer (“名字”，“softmax”) classificationLayer (“名字”，“分类”));
将图层转换为图层图并连接miniBatchSize序列折叠层的输出到序列展开层的相应输入。
lgraph = layerGraph(层);lgraph = connectLayers (lgraph,“折/ miniBatchSize”，“展开/ miniBatchSize”）;
查看最终的网络架构情节函数。
图绘制(lgraph)
参考文献
[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”。模式识别的字母．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
扩展功能
版本历史
介绍了R2017b
您也可以从以下列表中选择网站: