双向LSTM程序_BiLSTM.rar

%% %加载序列数据 %数据描述：总共270组训练样本共分为9类，每组训练样本的训练样个数不等，每个训练训练样本由12个特征向量组成， [XTrain,YTrain] = japaneseVowelsTrainData; %数据可视化 figure plot(XTrain{1}') xlabel('Time Step') title('Training Observation 1') legend('Feature ' + string(1:12),'Location','northeastoutside') %% %LSTM可以将分组后等量的训练样本进行训练，从而提高训练效率 %如果每组的样本数量不同，进行小批量拆分，则需要尽量保证分块的训练样本数相同 %首先找到每组样本数和总的组数 numObservations = numel(XTrain); for i=1:numObservations sequence = XTrain{i}; sequenceLengths(i) = size(sequence,2); end %绘图前后排序的各组数据个数 figure subplot(1,2,1) bar(sequenceLengths) ylim([0 30]) xlabel("Sequence") ylabel("Length") title("Sorted Data") %按序列长度对测试数据进行排序 [sequenceLengths,idx] = sort(sequenceLengths); XTrain = XTrain(idx); YTrain = YTrain(idx); subplot(1,2,2) bar(sequenceLengths) ylim([0 30]) xlabel("Sequence") ylabel("Length") title("Sorted Data") %% %设置LSTM训练数据的小批量分组个数 miniBatchSize = 27; %% %定义LSTM网络架构： %将输入大小指定为序列大小 12（输入数据的维度） %指定具有 100 个隐含单元的双向 LSTM 层，并输出序列的最后一个元素。 %指定九个类，包含大小为 9 的全连接层，后跟 softmax 层和分类层。 inputSize = 12; numHiddenUnits = 100; numClasses = 9; layers = [ ... sequenceInputLayer(inputSize) bilstmLayer(numHiddenUnits,'OutputMode','last') fullyConnectedLayer(numClasses) softmaxLayer classificationLayer] %% %指定训练选项： %求解器为 'adam' %梯度阈值为 1，最大轮数为 100。 % 27 作为小批量数。 %填充数据以使长度与最长序列相同，序列长度指定为 'longest'。 %数据保持按序列长度排序的状态，不打乱数据。 % 'ExecutionEnvironment' 指定为 'cpu'，设定为'auto'表明使用GPU。 maxEpochs = 100; miniBatchSize = 27; options = trainingOptions('adam', ... 'ExecutionEnvironment','cpu', ... 'GradientThreshold',1, ... 'MaxEpochs',maxEpochs, ... 'MiniBatchSize',miniBatchSize, ... 'SequenceLength','longest', ... 'Shuffle','never', ... 'Verbose',0, ... 'Plots','training-progress'); %% %训练LSTM网络 net = trainNetwork(XTrain,YTrain,layers,options); %% %测试LSTM网络 %加载测试集 [XTest,YTest] = japaneseVowelsTestData; %由于LSTM已经按照相似长度的小批量分组27，测试需要按照相同方式对数据进行排序处理。 numObservationsTest = numel(XTest); for i=1:numObservationsTest sequence = XTest{i}; sequenceLengthsTest(i) = size(sequence,2); end [sequenceLengthsTest,idx] = sort(sequenceLengthsTest); XTest = XTest(idx); YTest = YTest(idx); %使用classify进行分类，指定小批量大小27，指定组内数据按照最长的数据填充 miniBatchSize = 27; YPred = classify(net,XTest, ... 'MiniBatchSize',miniBatchSize, ... 'SequenceLength','longest'); %计算分类准确度 acc = sum(YPred == YTest)./numel(YTest)