Main Content

ネットワークの構築と学習

シーケンス データと表形式データのための深層ニューラル ネットワークを作成してゼロから学習させる

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、分類タスク、回帰タスク、および予測タスクのための深いネットワークを新しく作成します。

ネットワーク アーキテクチャを定義した後、関数 trainingOptions を使用して学習パラメーターを定義できます。その後、trainNetwork を使用してネットワークに学習させることができます。学習済みネットワークを使用して、クラス ラベルや数値応答の予測、または将来のタイム ステップの予測を行います。タスクに必要な学習オプションが関数 trainingOptions に用意されていない場合、または必要な損失関数をカスタム出力層がサポートしていない場合、カスタム学習ループを定義できます。

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。

カテゴリ

  • 深層ニューラル ネットワークの構築
    シーケンス データと表形式データのためのネットワークは、MATLAB® コードを使用して構築するか、ディープ ネットワーク デザイナーを使用して対話的に構築する
  • 組み込みの学習
    組み込みの学習関数を使用したシーケンス データと表形式データのための深層学習ネットワークの学習
  • カスタム学習ループ
    シーケンス データと表形式データのための深層学習の学習ループおよび損失関数のカスタマイズ