matlab版本是2018b及其以上。
%% %加载序列数据 %数据描述:总共270组训练样本共分为9类,每组训练样本的训练样个数不等,每个训练训练样本由12个特征向量组成,
[XTrain,YTrain] = japaneseVowelsTrainData; %数据可视化 figure plot(XTrain{1}')
xlabel("Time Step") title("Training Observation 1") legend("Feature " +
string(1:12),'Location','northeastoutside') %% %LSTM可以将分组后等量的训练样本进行训练,从而提高训练效率
%如果每组的样本数量不同,进行小批量拆分,则需要尽量保证分块的训练样本数相同 %首先找到每组样本数和总的组数 numObservations =
numel(XTrain); for i=1:numObservations sequence = XTrain{i}; sequenceLengths(i)
= size(sequence,2); end %绘图前后排序的各组数据个数 figure subplot(1,2,1)
bar(sequenceLengths) ylim([0 30]) xlabel("Sequence") ylabel("Length")
title("Sorted Data") %按序列长度对测试数据进行排序 [sequenceLengths,idx] =
sort(sequenceLengths); XTrain = XTrain(idx); YTrain = YTrain(idx);
subplot(1,2,2) bar(sequenceLengths) ylim([0 30]) xlabel("Sequence")
ylabel("Length") title("Sorted Data") %% %设置LSTM训练数据的小批量分组个数 miniBatchSize =
27; %% %定义LSTM网络架构: %将输入大小指定为序列大小 12(输入数据的维度) %指定具有 100 个隐含单元的双向 LSTM
层,并输出序列的最后一个元素。 %指定九个类,包含大小为 9 的全连接层,后跟 softmax 层和分类层。 inputSize = 12;
numHiddenUnits = 100; numClasses = 9; layers = [ ...
sequenceInputLayer(inputSize) bilstmLayer(numHiddenUnits,'OutputMode','last')
fullyConnectedLayer(numClasses) softmaxLayer classificationLayer] %% %指定训练选项:
%求解器为 'adam' %梯度阈值为 1,最大轮数为 100。 % 27 作为小批量数。 %填充数据以使长度与最长序列相同,序列长度指定为
'longest'。 %数据保持按序列长度排序的状态,不打乱数据。 % 'ExecutionEnvironment' 指定为
'cpu',设定为'auto'表明使用GPU。 maxEpochs = 100; miniBatchSize = 27; options =
trainingOptions('adam', ... 'ExecutionEnvironment','cpu', ...
'GradientThreshold',1, ... 'MaxEpochs',maxEpochs, ...
'MiniBatchSize',miniBatchSize, ... 'SequenceLength','longest', ...
'Shuffle','never', ... 'Verbose',0, ... 'Plots','training-progress'); %%
%训练LSTM网络 net = trainNetwork(XTrain,YTrain,layers,options); %% %测试LSTM网络 %加载测试集
[XTest,YTest] = japaneseVowelsTestData;
%由于LSTM已经按照相似长度的小批量分组27,测试需要按照相同方式对数据进行排序处理。 numObservationsTest =
numel(XTest); for i=1:numObservationsTest sequence = XTest{i};
sequenceLengthsTest(i) = size(sequence,2); end [sequenceLengthsTest,idx] =
sort(sequenceLengthsTest); XTest = XTest(idx); YTest = YTest(idx);
%使用classify进行分类,指定小批量大小27,指定组内数据按照最长的数据填充 miniBatchSize = 27; YPred =
classify(net,XTest, ... 'MiniBatchSize',miniBatchSize, ...
'SequenceLength','longest'); %计算分类准确度 acc = sum(YPred == YTest)./numel(YTest)
 

技术
今日推荐
阅读数 6783
阅读数 1922
阅读数 1504
阅读数 1291
阅读数 1254
阅读数 1134
下载桌面版
GitHub
百度网盘(提取码:draw)
Gitee
云服务器优惠
阿里云优惠券
腾讯云优惠券
华为云优惠券
站点信息
问题反馈
邮箱:ixiaoyang8@qq.com
QQ群:766591547
关注微信