加载数据

加载日语元音数据集，如中所述[1]而且[２]．预测器是包含不同长度序列的单元阵列，特征维数为12。标签是标签1、2、…、9的分类向量。

[XTrain,YTrain] = japevowelstraaindata;[XValidation,YValidation] = japevowelstestdata;

查看前几个训练序列的大小。序列是矩阵，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 (1:5)

ans =5×1单元格数组{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

暂停上Sequence-to-Label并点击开放．这打开了一个适合于序列分类问题的预先构建的网络。

深度网络设计器显示预构建的网络。

您可以很容易地为日语元音数据集调整这个序列网络。

选择sequenceInputLayer检查一下InputSize设置为12以匹配特征维度。

选择lstmLayer并设置NumHiddenUnits到100年。

选择fullyConnectedLayer检查一下OutputSize设置为9，类的数量。

检查网络架构

若要检查网络并查看各层的更多详细信息，请单击分析．

导出网络架构

要将网络体系结构导出到工作空间，请在设计师选项卡上,单击出口．深度网络设计器将网络保存为变量layers_1．

您还可以通过选择生成代码来构造网络体系结构出口>生成代码．

列车网络的

指定培训选项，培训网络。

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)。

miniBatchSize = 27;options = trainingOptions(“亚当”，.．.“ExecutionEnvironment”，“cpu”，.．.“MaxEpochs”, 100,.．.“MiniBatchSize”miniBatchSize,.．.“ValidationData”{XValidation, YValidation},.．.“GradientThreshold”2,.．.“洗牌”，“every-epoch”，.．.“详细”假的,.．.“阴谋”，“训练进步”）;

训练网络。

net = trainNetwork(XTrain,YTrain,layers_1,options);

您还可以使用深度网络设计器和数据存储对象来训练这个网络。有关演示如何在深度网络设计器中训练序列到序列回归网络的示例，请参见基于深度网络设计器的时间序列预测训练网络．

测试网络

对试验数据进行分类，计算分类精度。指定与培训时相同的小批大小。

YPred = class (net,XValidation，“MiniBatchSize”, miniBatchSize);acc =平均值(YPred == YValidation)

Acc = 0.9405

对于接下来的步骤，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性。有关更多信息，请参见长-短时记忆网络．

有关演示如何使用卷积网络对序列数据进行分类的示例，请参见用深度学习训练语音指令识别模型．

参考文献

[1]工藤，美一，富山俊，Shimbo Masaru。“利用穿过区域的多维曲线分类”。模式识别字母20,no。11-13(1999年11月):1103-11。https://doi.org/10.1016/s0167 - 8655 (99) 00077 - x。

[2]工藤，美一，富山俊，Shimbo Masaru。日语元音数据集。由UCI机器学习库发布。https://archive.ics.uci.edu/ml/datasets/Japanese+Vowels