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。

将 trainnet 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 计算要求 (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样本。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。