ディープネットワークデザイナーを使用したシンプルなシーケンス分類ネットワークの作成

この例では、ディープネットワークデザイナーを使用してシンプルな長短期記憶 (LSTM) 分類ネットワークを作成する方法を説明します。

シーケンスデータを分類するよう深層ニューラルネットワークに学習させるために、LSTM ネットワークを使用できます。LSTM ネットワークは、再帰型ニューラルネットワーク (RNN) の一種で、シーケンスデータのタイムステップ間の長期的な依存関係を学習します。

この例では、以下を実行する方法を示します。

シーケンスデータの読み込み。
ネットワークアーキテクチャの構築。
学習オプションの指定。
ネットワークに学習をさせます。
新しいデータのラベルの予測と分類精度の計算。

データの読み込み

[1] および [2] に記載のある Japanese Vowels データセットを読み込みます。予測子は、特徴次元 12 の可変長のシーケンスが含まれる cell 配列です。ラベルは、ラベル 1、2、...、9 の categorical ベクトルです。

[XTrain,YTrain] = japaneseVowelsTrainData;
[XValidation,YValidation] = japaneseVowelsTestData;

最初のいくつかの学習シーケンスのサイズを表示します。シーケンスは行列で、行数が 12 (特徴ごとに 1 行) で、列数が可変 (タイムステップごとに 1 列) です。

XTrain(1:5)

ans=5×1 cell array
    {12×20 double}
    {12×26 double}
    {12×22 double}
    {12×20 double}
    {12×21 double}

ネットワークアーキテクチャの定義

ディープネットワークデザイナーを開きます。

deepNetworkDesigner

[Sequence-to-Label] で一時停止し、[開く] をクリックします。これにより、シーケンス分類の問題に適したプリビルドネットワークが開きます。

ディープネットワークデザイナーがプリビルドネットワークを表示します。

このシーケンスネットワークを、Japanese Vowels データセットに簡単に適合させることができます。

[sequenceInputLayer] を選択し、[InputSize] が特徴次元と一致するように 12 に設定されていることを確認します。

[lstmLayer] を選択し、[NumHiddenUnits] を 100 に設定します。

[fullyConnectedLayer] を選択し、[OutputSize] がクラス数の 9 に設定されていることを確認します。

ネットワークアーキテクチャの確認

ネットワークを確認して層の詳細を調べるには、[解析] をクリックします。

ネットワークアーキテクチャのエクスポート

ネットワークアーキテクチャをワークスペースにエクスポートするには、[デザイナー] タブの [エクスポート] をクリックします。ディープネットワークデザイナーによりネットワークが変数 layers_1 に保存されます。

[エクスポート]、[コード生成] を選択して、ネットワークアーキテクチャを構築するためのコードを生成することもできます。

ネットワークの学習

学習オプションを指定し、ネットワークに学習させます。

ミニバッチが小さく、シーケンスが短いため、学習には CPU が適しています。'ExecutionEnvironment' を 'cpu' に設定します。GPU が利用できる場合、GPU で学習を行うには、'ExecutionEnvironment' を 'auto' (既定値) に設定します。

miniBatchSize = 27;
options = trainingOptions('adam', ...
    'ExecutionEnvironment','cpu', ...
    'MaxEpochs',100, ...
    'MiniBatchSize',miniBatchSize, ...
    'ValidationData',{XValidation,YValidation}, ...
    'GradientThreshold',2, ...
    'Shuffle','every-epoch', ...
    'Verbose',false, ...
    'Plots','training-progress');

ネットワークに学習をさせます。

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

このネットワークを、ディープネットワークデザイナーとデータストア・オブジェクトを使って学習させることもできます。ディープネットワークデザイナーで Sequence-to-Sequence 回帰ネットワークに学習させる方法を示す例については、ディープネットワークデザイナーを使用して時系列予測をネットワークに学習させるを参照してください。

ネットワークのテスト

テストデータを分類し、分類精度を計算します。学習の場合と同じミニバッチサイズを指定します。

YPred = classify(net,XValidation,'MiniBatchSize',miniBatchSize);
acc = mean(YPred == YValidation)

acc = 0.9405

次のステップとして、双方向 LSTM (BiLSTM) 層を使用するか、より深いネットワークを作成して、精度の改善を試みることができます。詳細については、長短期記憶ネットワークを参照してください。

畳み込みネットワークを使用してシーケンスデータを分類する方法を示す例については、深層学習を使用した音声コマンド認識モデルの学習を参照してください。

参考文献

[1] Kudo, Mineichi, Jun Toyama, and Masaru Shimbo.“Multidimensional Curve Classification Using Passing-through Regions.” Pattern Recognition Letters 20, no. 11–13 (November 1999): 1103–11. https://doi.org/10.1016/S0167-8655(99)00077-X.

[2] Kudo, Mineichi, Jun Toyama, and Masaru Shimbo.Japanese Vowels Data Set. Distributed by UCI Machine Learning Repository. https://archive.ics.uci.edu/ml/datasets/Japanese+Vowels