全文下载链接：http://tecdat.cn/?p=19751

本示例阐明如何应用长短期记忆（LSTM）网络对序列数据进行分类 。
最近咱们被客户要求撰写对于LSTM的钻研报告，包含一些图形和统计输入。

要训练深度神经网络对序列数据进行分类，能够应用LSTM网络。LSTM网络使您能够将序列数据输出网络，并依据序列数据的各个工夫步进行预测。

本示例应用日语元音数据集。此示例训练LSTM网络来辨认给定工夫序列数据的谈话者，该工夫序列数据表示间断讲话的两个日语元音。训练数据蕴含九位发言人的工夫序列数据。每个序列具备12个特色，并且长度不同。数据集蕴含270个训练察看和370个测试察看。

加载序列数据

加载日语元音训练数据。 XTrain 是蕴含长度可变的维度12的270个序列的单元阵列。 Y 是标签“ 1”，“ 2”，...，“ 9”的分类向量，别离对应于九个扬声器。中的条目  XTrain 是具备12行（每个因素一行）和不同列数（每个工夫步长一列）的矩阵。

XTrain(1:5)ans=5×1 cell array    {12x20 double}    {12x26 double}    {12x22 double}    {12x20 double}    {12x21 double}

可视化图中的第一个工夫序列。每行对应一个特色。

figureplot(Train')xlabel("工夫步长")title("训练样本 1")numFeatures = size(XTrain{1},1);legend("特色 "

点击题目查阅往期内容

R语言用FNN-LSTM假近邻长短期记忆人工神经网络模型进行工夫序列深度学习预测4个案例

左右滑动查看更多

01

02

03

04

筹备填充数据

在训练过程中，默认状况下，该软件默认将训练数据分成小批并填充序列，以使它们具备雷同的长度。太多的填充可能会对网络性能产生负面影响。

为避免训练过程减少太多填充，您能够按序列长度对训练数据进行排序，并抉择小批量的大小，以使小批量中的序列具备类似的长度。下图显示了对数据进行排序之前和之后的填充序列的成果。

获取每个察看的序列长度。

按序列长度对数据进行排序。

在条形图中查看排序的序列长度。

figurebar(sequenceLengths)ylim([0 30])xlabel("序列")ylabel("长度")title("排序后数据")

抉择大小为27的小批量可平均划分训练数据并缩小小批量中的数量。下图阐明了增加到序列中的填充量。

定义LSTM网络架构

定义LSTM网络体系结构。将输出大小指定为大小为12的序列（输出数据的大小）。指定具备100个暗藏单元的双向LSTM层，并输入序列的最初一个元素。最初，通过包含大小为9的齐全连贯层，其后是softmax层和分类层，来指定九个类。

如果能够在预测时应用残缺序列，则能够在网络中应用双向LSTM层。双向LSTM层在每个工夫步都从残缺序列中学习。例如，如果您无奈在预测时应用整个序列，比方一次预测一个工夫步长时，请改用LSTM层。

layers =   5x1 Layer array with layers:     1   ''   Sequence Input          Sequence input with 12 dimensions     2   ''   BiLSTM                  BiLSTM with 100 hidden units     3   ''   Fully Connected         9 fully connected layer     4   ''   Softmax                 softmax     5   ''   Classification Output   crossentropyex

当初，指定训练选项。将优化器指定为  'adam'，将梯度阈值指定为1，将最大历元数指定为100。要缩小小批量中的填充量，请抉择27的小批量大小。与最长序列的长度雷同，请将序列长度指定为  'longest'。为确保数据仍按序列长度排序，请指定从不对数据进行随机排序。

因为批处理的序列短，因而训练更适宜于CPU。指定  'ExecutionEnvironment' 为  'cpu'。要在GPU上进行训练（如果有），请将设置  'ExecutionEnvironment' 为  'auto' （这是默认值）。

训练LSTM网络

应用指定的训练选项来训练LSTM网络  trainNetwork。

测试LSTM网络

加载测试集并将序列分类为扬声器。

加载日语元音测试数据。 XTest 是蕴含370个长度可变的维度12的序列的单元阵列。 YTest 是标签“ 1”，“ 2”，...“ 9”的分类向量，别离对应于九个扬声器。

XTest(1:3)ans=3×1 cell array    {12x19 double}    {12x17 double}    {12x19 double}

LSTM网络  net 是应用类似长度的序列进行训练的。确保测试数据的组织形式雷同。按序列长度对测试数据进行排序。

分类测试数据。要缩小分类过程引入的数据量，请将批量大小设置为27。要利用与训练数据雷同的填充，请将序列长度指定为  'longest'。

计算预测的分类准确性。

acc = sum(YPred == YTest)./numel(YTest)acc = 0.9730

点击文末 “浏览原文”

获取全文残缺代码数据资料。

本文选自《matlab应用长短期记忆（LSTM）神经网络对序列数据进行分类》。

点击题目查阅往期内容

Python TensorFlow循环神经网络RNN-LSTM神经网络预测股票市场价格工夫序列和MSE评估准确性
数据分享|PYTHON用KERAS的LSTM神经网络进行工夫序列预测天然气价格例子
Python对商店数据进行lstm和xgboost销售量工夫序列建模预测剖析
Matlab用深度学习长短期记忆（LSTM）神经网络对文本数据进行分类
RNN循环神经网络 、LSTM长短期记忆网络实现工夫序列长期利率预测
联合新冠疫情COVID-19股票价格预测：ARIMA，KNN和神经网络工夫序列剖析
深度学习：Keras应用神经网络进行简略文本分类剖析新闻组数据
用PyTorch机器学习神经网络分类预测银行客户散失模型
PYTHON用LSTM长短期记忆神经网络的参数优化办法预测工夫序列洗发水销售数据
Python用Keras神经网络序列模型回归拟合预测、准确度检查和后果可视化
Python用LSTM长短期记忆神经网络对不稳固降雨量工夫序列进行预测剖析
R语言中的神经网络预测工夫序列：多层感知器（MLP）和极限学习机（ELM）数据分析报告
R语言深度学习：用keras神经网络回归模型预测工夫序列数据
Matlab用深度学习长短期记忆（LSTM）神经网络对文本数据进行分类
R语言KERAS深度学习CNN卷积神经网络分类辨认手写数字图像数据（MNIST）
MATLAB中用BP神经网络预测人体脂肪百分比数据
Python中用PyTorch机器学习神经网络分类预测银行客户散失模型
R语言实现CNN（卷积神经网络）模型进行回归数据分析
SAS应用鸢尾花(iris)数据集训练人工神经网络(ANN)模型
【视频】R语言实现CNN（卷积神经网络）模型进行回归数据分析
Python应用神经网络进行简略文本分类
R语言用神经网络改良Nelson-Siegel模型拟合收益率曲线剖析
R语言基于递归神经网络RNN的温度工夫序列预测
R语言神经网络模型预测车辆数量工夫序列
R语言中的BP神经网络模型剖析学生问题
matlab应用长短期记忆（LSTM）神经网络对序列数据进行分类
R语言实现拟合神经网络预测和后果可视化
用R语言实现神经网络预测股票实例
应用PYTHON中KERAS的LSTM递归神经网络进行工夫序列预测
python用于NLP的seq2seq模型实例:用Keras实现神经网络机器翻译
用于NLP的Python：应用Keras的多标签文本LSTM神经网络分类