Main Content

このページの内容は最新ではありません。最新版の英語を参照するには、ここをクリックします。

イメージ データのワークフロー

事前学習済みのネットワークを使用するか、ネットワークをゼロから作成して学習を行い、イメージの分類と回帰を実行する

転移学習を使用し、事前学習済みのネットワークで得られる知識を活用して新しいイメージ データに含まれる新しいパターンを学習させます。通常は、転移学習によって事前学習済みのイメージ分類ネットワークを微調整する方が、ゼロから学習させるよりもはるかに簡単で時間がかかりません。事前学習済みの深いネットワークを使用すると、数百万のイメージや強力な GPU を用意して新しいネットワークの定義と学習を行うことなく、新しいタスクのモデルを高速に作成できます。ネットワーク アーキテクチャを定義し、ネットワークにゼロから学習させて、イメージの分類タスクと回帰タスク用の深いネットワークを新しく作成することもできます。

関数 trainNetwork または trainnet を関数 trainingOptions と共に使用してネットワークに学習させたり、dlnetwork オブジェクトやオブジェクト関数 dlarray を使用してカスタム学習ループを指定したりすることができます。

ニューラル ネットワークの学習は、1 つの CPU または GPU か複数の CPU または GPU で行うことも、クラスターまたはクラウドで並列に行うこともできます。1 つの GPU または並列で学習させる場合は、Parallel Computing Toolbox™ が必要です。GPU を使用するには、サポートされている GPU デバイスが必要です (サポートされているデバイスについては、GPU 計算の要件 (Parallel Computing Toolbox)を参照してください)。関数 trainingOptions を使用して、実行環境を指定します。

ネットワークの精度と損失に関する組み込みのプロットを使用して学習の進行状況を監視したり、Grad-CAM、オクルージョン感度、LIME、Deep Dream などの可視化手法を使用して学習済みネットワークを調査したりすることができます。

学習済みネットワークがある場合、そのロバスト性の検証、ネットワークの出力範囲の計算、敵対的サンプルの検索を行うことができます。また、Deep Neural Networks ブロック ライブラリにあるブロックを使用して、Simulink® モデルにある学習済みネットワークを使用することもできます。

カテゴリ