matlablstm神經網路工具箱

㈠ LSTM神經網路輸入輸出究竟是怎樣的

每個時刻的輸入都是一個向量，它的長度是輸入層神經元的個數。在你的問題中，這個向量就是embedding向量。它的長度與時間步的個數（即句子的長度）沒有關系。
每個時刻的輸出是一個概率分布向量，其中最大值的下標決定了輸出哪個詞。

㈡ lstm神經網路輸入輸出究竟是怎樣的

LSTM的三個門輸出數字和向量的情況都有。門（input，forget，output）輸出的維度和cell狀態的維度一致即可。也就是說三個門的輸出分別控制被控制向量（cell input，cell（t-1），cell（t））中的元素。舉個例子，如果cell狀態的維度是1，那麼被控制向量（cell input，cell（t-1），cell（t））的維度也都是1，那麼三個門的輸出都是0-1之間的數字（選用sigmoid激活函數）；如果cell狀態的維度是N，那麼被控制向量（cell input，cell（t-1），cell（t））的維度也分別都是N，那麼三個門的輸出都是0-1之間的向量（選用sigmoid激活函數），且門輸出向量的維度都是N。

㈢ matlab2018a中有lstm工具箱嗎

matlab工具箱就是省去了matlab編程的過程。

他就是把程序轉換成界面，便於初學者的學習，操作。裡面有各種工具箱，比如小波工具箱，神經網路工具箱，粒子演算法優化工具箱，模擬模擬工具箱等等。

sum=xlsread('name.xls');%name為文件名，將excel數據儲存在sum矩陣中。sum1=sum（:，1）；%取出sum第一列數據為sum1，很多時候會用到取出某一行；如果是取出列，類似的。

服務支持：

Simulink®: Simulation Performance Advisor，鏈接庫模塊的封裝，以及通過邏輯表達式控制有效變數。

Simulink: 除 LEGO® MINDSTORMS® NXT、Arino®、Pandaboard 和 Beagleboard 外，還為 Raspberry Pi™ 和 Gumstix® Overo® 硬體提供了內置支持。

SimRF™: 針對快速模擬和模型載入時間的電路包絡求解器。

SimMechanics™: 發布了用於從 CAD 和其他系統導入模型的 XML 架構。

Simulink Design Verifier™: 數組超出邊界檢查。

㈣ 使用MATLAB裡面的LSTM，Invalid training data. Responses must be a vector of categorical responses

responses 變數需要定義為categorical類型。比如你的變數是a，你加一句：a=categorical(a);

㈤ matlab神經網路工具箱具體怎麼用

為了看懂師兄的文章中使用的方法，研究了一下神經網路
昨天花了一天的時間查怎麼寫程序，但是費了半天勁，不能運行，網路知道里倒是有一個，可以運行的，先貼著做標本

% 生成訓練樣本集
clear all;
clc;
P=[110 0.807 240 0.2 15 1 18 2 1.5;
110 2.865 240 0.1 15 2 12 1 2;
110 2.59 240 0.1 12 4 24 1 1.5;
220 0.6 240 0.3 12 3 18 2 1;
220 3 240 0.3 25 3 21 1 1.5;
110 1.562 240 0.3 15 3 18 1 1.5;
110 0.547 240 0.3 15 1 9 2 1.5];
0 1.318 300 0.1 15 2 18 1 2];
T=[54248 162787 168380 314797;
28614 63958 69637 82898;
86002 402710 644415 328084;
230802 445102 362823 335913;
60257 127892 76753 73541;
34615 93532 80762 110049;
56783 172907 164548 144040];
@907 117437 120368 130179];
m=max(max(P));
n=max(max(T));
P=P'/m;
T=T'/n;
%-------------------------------------------------------------------------%
pr(1:9,1)=0; %輸入矢量的取值范圍矩陣
pr(1:9,2)=1;
bpnet=newff(pr,[12 4],{'logsig', 'logsig'}, 'traingdx', 'learngdm');
%建立BP神經網路， 12個隱層神經元，4個輸出神經元
%tranferFcn屬性 'logsig' 隱層採用Sigmoid傳輸函數
%tranferFcn屬性 'logsig' 輸出層採用Sigmoid傳輸函數
%trainFcn屬性 'traingdx' 自適應調整學習速率附加動量因子梯度下降反向傳播演算法訓練函數
%learn屬性 'learngdm' 附加動量因子的梯度下降學習函數
net.trainParam.epochs=1000;%允許最大訓練步數2000步
net.trainParam.goal=0.001; %訓練目標最小誤差0.001
net.trainParam.show=10; %每間隔100步顯示一次訓練結果
net.trainParam.lr=0.05; %學習速率0.05
bpnet=train(bpnet,P,T);
%-------------------------------------------------------------------------
p=[110 1.318 300 0.1 15 2 18 1 2];
p=p'/m;
r=sim(bpnet,p);
R=r'*n;
display(R);

運行的結果是出現這樣的界面

點擊performance，training state，以及regression分別出現下面的界面

再搜索，發現可以通過神經網路工具箱來創建神經網路，比較友好的GUI界面，在輸入命令裡面輸入nntool，就可以開始了。

點擊import之後就出現下面的具體的設置神經網路參數的對話界面，
這是輸入輸出數據的對話窗

首先是訓練數據的輸入

然後點擊new，創建一個新的神經網路network1，並設置其輸入輸出數據，包括名稱，神經網路的類型以及隱含層的層數和節點數，還有隱含層及輸出層的訓練函數等

點擊view，可以看到這是神經網路的可視化直觀表達

創建好了一個network之後，點擊open，可以看到一個神經網路訓練，優化等的對話框，選擇了輸入輸出數據後，點擊train，神經網路開始訓練，如右下方的圖，可以顯示動態結果

下面三個圖形則是點擊performance，training state以及regression而出現的

下面就是simulate，輸入的數據是用來檢驗這個網路的數據，output改一個名字，這樣就把輸出數據和誤差都存放起來了

在主界面上點擊export就能將得到的out結果輸入到matlab中並查看

下圖就是輸出的兩個outputs結果

還在繼續挖掘，to be continue……

㈥ matlab的神經網路工具箱怎麼用

1．神經網路
神經網路是單個並行處理元素的集合，我們從生物學神經系統得到啟發。在自然界，網路功能主要由神經節決定，我們可以通過改變連接點的權重來訓練神經網路完成特定的功能。
一般的神經網路都是可調節的，或者說可訓練的，這樣一個特定的輸入便可得到要求的輸出。如下圖所示。這里，網路根據輸出和目標的比較而調整，直到網路輸出和目標匹配。作為典型，許多輸入/目標對應的方法已被用在有監督模式中來訓練神經網路。
神經網路已經在各個領域中應用，以實現各種復雜的功能。這些領域包括：模式識別、鑒定、分類、語音、翻譯和控制系統。
如今神經網路能夠用來解決常規計算腿四岩越餼齙奈侍狻N頤侵饕ü飧齬ぞ呦淅唇⑹痙兜納窬縵低常⒂τ玫焦こ獺⒔鶉諍推淥導氏釒恐腥ァ?BR>一般普遍使用有監督訓練方法，但是也能夠通過無監督的訓練方法或者直接設計得到其他的神經網路。無監督網路可以被應用在數據組的辨別上。一些線形網路和Hopfield網路是直接設計的。總的來說，有各種各樣的設計和學習方法來增強用戶的選擇。
神經網路領域已經有50年的歷史了，但是實際的應用卻是在最近15年裡，如今神經網路仍快速發展著。因此，它顯然不同與控制系統和最優化系統領域，它們的術語、數學理論和設計過程都已牢固的建立和應用了好多年。我們沒有把神經網路工具箱僅看作一個能正常運行的建好的處理輪廓。我們寧願希望它能成為一個有用的工業、教育和研究工具，一個能夠幫助用戶找到什麼能夠做什麼不能做的工具，一個能夠幫助發展和拓寬神經網路領域的工具。因為這個領域和它的材料是如此新，這個工具箱將給我們解釋處理過程，講述怎樣運用它們，並且舉例說明它們的成功和失敗。我們相信要成功和滿意的使用這個工具箱，對範例和它們的應用的理解是很重要的，並且如果沒有這些說明那麼用戶的埋怨和質詢就會把我們淹沒。所以如果我們包括了大量的說明性材料，請保持耐心。我們希望這些材料能對你有幫助。
這個章節在開始使用神經網路工具箱時包括了一些注釋，它也描述了新的圖形用戶介面和新的運演算法則和體系結構，並且它解釋了工具箱為了使用模塊化網路對象描述而增強的機動性。最後這一章給出了一個神經網路實際應用的列表並增加了一個新的文本--神經網路設計。這本書介紹了神經網路的理論和它們的設計和應用，並給出了相當可觀的MATLAB和神經網路工具箱的使用。

2．准備工作
基本章節
第一章是神經網路的基本介紹，第二章包括了由工具箱指定的有關網路結構和符號的基本材料以及建立神經網路的一些基本函數，例如new、init、adapt和train。第三章以反向傳播網路為例講解了反向傳播網路的原理和應用的基本過程。
幫助和安裝
神經網路工具箱包含在nnet目錄中，鍵入help nnet可得到幫助主題。
工具箱包含了許多示例。每一個

㈦ lstm工具箱2016matlab有嗎

有的。
Matlab2016b官方版是一款出自MathWorks公司之手的科學計算工具，Matlab2016b最新版功能強勁，能夠幫助用戶輕松進行工程計算、控制設計、信號處理與通訊、圖像處理、信號檢測等操作，MathworksMatlab2016b操作簡便，可實現數值分析、數值和符號計算、工程與科學繪圖等。
此版本增加了新的功能以簡化MATLAB中的大數據處理過程，還包括Simulink的其他新功能、一個新的工具箱RiskManagementToolbox以及其它83款產品的更新和問題修復。除此之外，Matlab2016b還增加一個時間表數據容器，用於索引和同步帶時間戳的表格數據，增加了字元串數組，用於進行有效的進行文本數據的操作、比較和存儲，以及增加其它用於數據預處理的新功能。

㈧ 循環神經網路的反向傳播

可以採用MATLAB軟體中的神經網路工具箱來實現BP神經網路演算法。BP神經網路的學習過程由前向計算過程、誤差計算和誤差反向傳播過程組成。雙含隱層BP神經網路的MATLAB程序，由輸入部分、計算部分、輸出部分組成，其中輸入部分包括網路參數與訓練樣本數據的輸入、初始化權系、求輸入輸出模式各分量的平均值及標准差並作相應數據預處理、讀入測試集樣本數據並作相應數據預處理；計算部分包括正向計算、反向傳播、計算各層權矩陣的增量、自適應和動量項修改各層權矩陣；輸出部分包括顯示網路最終狀態及計算值與期望值之間的相對誤差、輸出測試集相應結果、顯示訓練，測試誤差曲線。

㈨ matlab中如何調用更改lstm的權重

方法/步驟

• 在電腦上打開Matlab軟體，並將要進行預測的Excel中數據保存到Matlab工作路徑下

  

• 總結：

  1.打開Matlab，將要處理的數據保存到工作路徑下

  2.接著新建一個腳本文件

  3.在腳本文件中輸入程序，讀取數據、建立LSTM網路，並訓練網路

  4.編寫好程序以後點擊「保存」，接著點擊「運行」捷克語在figure頁面看導預測結果