最新のリリースでは、このページがまだ翻訳されていません。 このページの最新版は英語でご覧になれます。
学習済み再帰型ニューラル ネットワークを使用した応答の予測およびネットワークの状態の更新
1 つの CPU または 1 つの GPU で学習済み深層学習ネットワークを使用して予測を実行できます。GPU を使用するには、Parallel Computing Toolbox™ および Compute Capability 3.0 以上の CUDA® 対応 NVIDIA® GPU が必要です。名前と値のペアの引数 'ExecutionEnvironment' を使用してハードウェア要件を指定します。
[
は、学習済み再帰型ニューラル ネットワーク updatedNet
,YPred
] = predictAndUpdateState(recNet
,sequences
)recNet
を使用して sequences
のデータの応答を予測し、ネットワークの状態を更新します。
この関数は、再帰型ニューラル ネットワークのみをサポートしています。入力 recNet
には少なくとも 1 つの再帰層を含めなければなりません。
[
は、前の構文のいずれかの引数と、1 つ以上のペアの引数 updatedNet
,YPred
] = predictAndUpdateState(___,Name,Value
)Name,Value
によって指定された追加オプションを使用します。たとえば、'MiniBatchSize',27
はサイズ 27 のミニバッチを使用して予測を実行します。
ヒント
長さが異なるシーケンスで予測を行うと、ミニバッチのサイズが、入力データに追加されるパディングの量に影響し、異なる予測値が得られることがあります。さまざまな値を使用して、ネットワークに最適なものを確認してください。ミニバッチのサイズとパディングのオプションを指定するには、'MiniBatchSize'
および 'SequenceLength'
オプションを使用します。
Deep Learning Toolbox™ に含まれる深層学習における学習、予測、検証用のすべての関数は、単精度浮動小数点演算を使用して計算を実行します。深層学習用の関数には trainNetwork
、predict
、classify
、activations
などがあります。CPU と GPU の両方を使用してネットワークに学習させる場合、単精度演算が使用されます。
[1] M. Kudo, J. Toyama, and M. Shimbo. "Multidimensional Curve Classification Using Passing-Through Regions." Pattern Recognition Letters. Vol. 20, No. 11–13, pages 1103–1111.
[2] UCI Machine Learning Repository: Japanese Vowels Dataset. https://archive.ics.uci.edu/ml/datasets/Japanese+Vowels
bilstmLayer
| classify
| classifyAndUpdateState
| gruLayer
| lstmLayer
| predict
| resetState
| sequenceInputLayer