基于matlab的BiLSTM分类算法，输出迭代曲线，测试集和训练集分类结果和混淆矩阵，程序有详细注释，数据可更换自己的，程序已调通，可直接运行。
这行代码突然弹出一堆警告？别慌，八成是你的序列长度没对齐。搞过时序分类的都知道，BiLSTM这玩意儿对数据形状敏感得很。咱们今天用Matlab整点实在的——手把手教你怎么用双向LSTM搞定分类任务，顺便把训练过程可视化得明明白白。
先瞅瞅数据长啥样。假设你有个cell数组data，每个cell里装着时序特征，对应的标签在labels里蹲着：
% 人造数据示例（替换这里用你自己的.mat文件） load('dataset.mat'); numTimeSteps = 50; % 统一序列长度 data = cellfun(@(x) x(:,1:numTimeSteps), data, 'UniformOutput', false);重点来了，处理不等长序列得用上Matlab的sequenceFoldingLayer。这货能把变长序列打包成固定长度：
miniBatchSize = 32; [XTrain, YTrain] = cell2arrays(dataTrain, labelsTrain); % 自写转换函数 dsTrain = arrayDatastore(XTrain, 'OutputType', 'same'); dsTrain = transform(dsTrain, @(x) sequenceFoldingLayer('MiniBatchSize', miniBatchSize).preprocess(x));网络结构这块儿别整太复杂，双向LSTM加全连接就够使。注意这个sequenceUnfoldingLayer必须放在最后，不然数据流会断片：
layers = [ sequenceInputLayer(inputSize) bilstmLayer(128,'OutputMode','last') dropoutLayer(0.5) fullyConnectedLayer(numClasses) softmaxLayer classificationLayer];训练配置要盯着loss曲线调参。用adam优化器配余弦退火，亲测比固定学习率稳：
options = trainingOptions('adam', ... 'MaxEpochs',100, ... 'LearnRateSchedule','cosine', ... 'ExecutionEnvironment','auto',... 'Plots','training-progress'); % 这个参数自动生成动态曲线跑完训练直接拿测试集开刀。混淆矩阵用新版的confusionchart画，颜色方案比老函数顺眼多了：
YPred = classify(net, XTest); plotconfusion(YTest, YPred) % 老方法会报警，改用下面这个 cm = confusionchart(YTest, YPred); cm.Title = '实测混淆矩阵 (别被95%准确率骗了，看类别平衡!)';遇到内存爆了的情况？八成是sequenceFolding的miniBatchSize设大了。这里有个邪门技巧——把数据转成gpuArray之前先手动清显存：
gpuDevice(1); % 强制清空现存 reset(gpuDevice); % 特别是用N卡的时候最后说个坑：用sequenceInputLayer必须指定输入维度。要是你的特征向量是[N, T]结构，记得inputSize设成N，别傻乎乎填成序列长度T，这错误我特么栽过三次...
