Main Content

序列和数值特征数据工作流

为序列和表格数据创建并训练分类、回归和预测神经网络

对于序列、时间序列和表格数据,创建并训练多层感知器 (MLP) 神经网络、长短期记忆 (LSTM) 神经网络和卷积神经网络 (CNN)。您可以为分类、回归和预测任务创建和训练神经网络。还可以使用单词嵌入层(需要 Text Analytics Toolbox™)基于文本数据训练神经网络或使用频谱图(需要 Audio Toolbox™)基于音频数据训练神经网络。

trainNetworktrainnet 函数与 trainingOptions 函数结合使用来训练序列到单个和序列到序列神经网络,或使用 dlnetwork 对象和 dlarray 对象函数定义自定义训练循环。

您可以在一个 CPU、一个 GPU、多个 CPU 或 GPU 上训练神经网络,或者在集群中并行训练或在云中训练。在 GPU 上训练或并行训练需要 Parallel Computing Toolbox™。使用 GPU 需要支持的 GPU 设备(有关受支持设备的信息,请参阅GPU Computing Requirements (Parallel Computing Toolbox))。使用 trainingOptions 函数指定执行环境。

您可以使用内置的网络准确度图和损失图来监控训练进度,还可以使用可视化方法(如 Grad-CAM)研究经过训练的网络。

有了经过训练的网络,您就可以验证其稳健性、计算网络输出边界和查找对抗示例。您还可以通过使用深度神经网络模块库中的模块,在 Simulink® 模型中使用经过训练的网络。

类别

  • 数据预处理
    管理和预处理序列和表格数据以进行深度学习
  • 构建和训练网络
    为序列和表格数据创建深度神经网络,并从头开始训练
  • 可视化和验证
    可视化神经网络行为、解释预测并使用序列和表格数据验证稳健性