深層ニューラルネットワークの構築

イメージデータ用のニューラルネットワークは、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します。

ネットワークアーキテクチャをゼロから定義し、イメージの分類や回帰といったタスクのための深いネットワークを新しく作成します。ネットワークは、MATLAB 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します。

ほとんどのタスクでは、組み込み層を使用できます。目的のタスクに必要な組み込み層が用意されていない場合、独自のカスタム層を定義できます。カスタム出力層を使用してカスタム損失関数を指定できます。また、学習可能なパラメーターと状態パラメーターを含むカスタム層を定義できます。カスタム層を定義した後、その層の有効性、GPU 互換性、定義した勾配の出力の正しさをチェックできます。サポートされている層の一覧については、深層学習層の一覧を参照してください。

層グラフによってサポートされていないモデルの場合、カスタムモデルを関数として定義できます。詳細については、カスタム学習ループ、損失関数、およびネットワークの定義を参照してください。

アプリ

ディープネットワークデザイナー

深層学習ネットワークの設計、可視化、および学習

関数

すべて展開する

組み込み層

入力層

`imageInputLayer`	イメージ入力層
`image3dInputLayer`	3 次元イメージ入力層

畳み込み層と全結合層

`convolution2dLayer`	2 次元畳み込み層
`convolution3dLayer`	3-D convolutional layer
`groupedConvolution2dLayer`	グループ化された 2 次元畳み込み層
`transposedConv2dLayer`	2 次元転置畳み込み層
`transposedConv3dLayer`	Transposed 3-D convolution layer
`fullyConnectedLayer`	全結合層

トランスフォーマー層

`selfAttentionLayer`	Self-attention layer (R2023a 以降)
`positionEmbeddingLayer`	Position embedding layer (R2023b 以降)
`sinusoidalPositionEncodingLayer`	Sinusoidal position encoding layer (R2023b 以降)
`embeddingConcatenationLayer`	Embedding concatenation layer (R2023b 以降)
`indexing1dLayer`	1-D indexing layer (R2023b 以降)

ニューラル ODE 層

neuralODELayer Neural ODE layer (R2023b 以降)

活性化層

`reluLayer`	正規化線形ユニット (ReLU) 層
`leakyReluLayer`	漏洩 (leaky) 正規化線形ユニット (ReLU) 層
`clippedReluLayer`	クリップされた正規化線形ユニット (ReLU) 層
`eluLayer`	指数線形ユニット (ELU) 層
`tanhLayer`	双曲線正接 (tanh) 層
`swishLayer`	Swish 層 (R2021a 以降)
`geluLayer`	Gaussian error linear unit (GELU) layer (R2022b 以降)
`sigmoidLayer`	シグモイド層 (R2020b 以降)
`softmaxLayer`	ソフトマックス層
`functionLayer`	関数層 (R2021b 以降)

正規化層

`batchNormalizationLayer`	バッチ正規化層
`groupNormalizationLayer`	Group normalization layer (R2020b 以降)
`instanceNormalizationLayer`	インスタンス正規化層 (R2021a 以降)
`layerNormalizationLayer`	レイヤー正規化層 (R2021a 以降)
`crossChannelNormalizationLayer`	チャネル単位の局所応答正規化層

ユーティリティ層

`dropoutLayer`	ドロップアウト層
`crop2dLayer`	2 次元トリミング層
`crop3dLayer`	3-D crop layer (R2019b 以降)

プーリング層と逆プーリング層

`averagePooling2dLayer`	平均プーリング層
`averagePooling3dLayer`	3-D average pooling layer
`globalAveragePooling2dLayer`	2 次元グローバル平均プーリング層 (R2019b 以降)
`globalAveragePooling3dLayer`	3 次元グローバル平均プーリング層 (R2019b 以降)
`globalMaxPooling2dLayer`	グローバル最大プーリング層 (R2020a 以降)
`globalMaxPooling3dLayer`	3 次元グローバル最大プーリング層 (R2020a 以降)
`maxPooling2dLayer`	最大プーリング層
`maxPooling3dLayer`	3-D max pooling layer
`maxUnpooling2dLayer`	最大逆プーリング層

結合層

`additionLayer`	加算層
`multiplicationLayer`	乗算層 (R2020b 以降)
`concatenationLayer`	連結層
`depthConcatenationLayer`	深さ連結層

出力層

`classificationLayer`	分類出力層
`regressionLayer`	回帰出力層

ネットワークの構築

`layerGraph`	深層学習用のネットワーク層のグラフ
`plot`	ニューラルネットワークアーキテクチャのプロット
`addLayers`	層グラフまたはネットワークへの層の追加
`removeLayers`	層グラフまたはネットワークからの層の削除
`replaceLayer`	層グラフまたはネットワークの層の置き換え
`connectLayers`	層グラフまたはネットワークの層の結合
`disconnectLayers`	層グラフまたはネットワークの層の切り離し
`DAGNetwork`	深層学習用の有向非循環グラフ (DAG) ネットワーク
`resnetLayers`	2 次元残差ネットワークの作成 (R2021b 以降)
`resnet3dLayers`	3 次元残差ネットワークの作成 (R2021b 以降)
`isequal`	Check equality of neural networks (R2021a 以降)
`isequaln`	Check equality of neural networks ignoring `NaN` values (R2021a 以降)
`analyzeNetwork`	深層学習ネットワークアーキテクチャの解析

カスタムネットワーク

`dlnetwork`	カスタム学習ループ向けの深層学習ネットワーク (R2019b 以降)
`addInputLayer`	Add input layer to network (R2022b 以降)
`summary`	ネットワークの概要の出力 (R2022b 以降)
`initialize`	`dlnetwork` の学習可能なパラメーターと状態パラメーターの初期化 (R2021a 以降)
`networkDataLayout`	Deep learning network data layout for learnable parameter initialization (R2022b 以降)
`checkLayer`	Check validity of custom or function layer

トピック

組み込み層

畳み込みニューラルネットワークの層の指定
畳み込みニューラルネットワーク (ConvNet) の層と、それらが ConvNet に現れる順序について学習します。
分類用のシンプルな深層学習ニューラルネットワークの作成
この例では、深層学習による分類用のシンプルな畳み込みニューラルネットワークを作成し、学習を行う方法を説明します。
回帰用の畳み込みニューラルネットワークの学習
この例では、畳み込みニューラルネットワークを使用して回帰モデルを当てはめ、手書きの数字の回転角度を予測する方法を示します。
深層学習層の一覧
MATLAB のすべての深層学習層を確認できます。
ディープネットワークデザイナーを使用したネットワークの構築
ディープネットワークデザイナーを使用して、深層学習ネットワークを対話形式で構築および編集します。
MATLAB による深層学習
畳み込みニューラルネットワークを使用して分類や回帰を行う MATLAB の深層学習機能を確認します。これには、事前学習済みのネットワークと転移学習のほか、GPU、CPU、クラスター、およびクラウドでの学習が含まれます。
深層学習のヒントとコツ
深層学習ネットワークの精度を改善する方法を学習します。
深層学習用のデータセット
さまざまな深層学習タスク用のデータセットを確認。
多入力および多出力ネットワーク
複数の入力または複数の出力がある深層学習ネットワークの定義と学習を行う方法を学びます。
Example Deep Learning Networks Architectures
This example shows how to define simple deep learning neural networks for classification and regression tasks.

カスタム層

カスタム深層学習層の定義
カスタム深層学習層の定義方法を学習します。
カスタム深層学習中間層の定義
カスタム深層学習中間層の定義方法を学ぶ。
カスタム深層学習出力層の定義
カスタム深層学習出力層の定義方法を学ぶ。
カスタム層の有効性のチェック
カスタム深層学習層の有効性をチェックする方法を学びます。
サポートされていない Keras 層の関数層への置き換え
この例では、事前学習済みの Keras ネットワークから層をインポートし、サポートされていない層を関数層に置き換え、予測の準備が整ったネットワークをこれらの層から組み立てる方法を説明します。

注目の例

イメージ分類用の残差ネットワークの学習

この例では、残差結合のある深層学習ニューラルネットワークを作成し、CIFAR-10 データで学習を行う方法を説明します。残差結合は畳み込みニューラルネットワークアーキテクチャでよく使用される要素です。残差結合を使用すると、ネットワークを通じた勾配フローが改善し、より深いネットワークの学習が可能になります。

ライブスクリプトを開く