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

ネットワークアーキテクチャをゼロから定義し、分類、回帰、予測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。学習可能なパラメーターと状態パラメーターを使用して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。

層のネットワークとして指定できないモデルの場合は、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と可視化

関数

すべて展開する

組み込み層

入力層

`sequenceInputLayer`	シーケンス入力層
`featureInputLayer`	特徴入力層 (R2020b 以降)

再帰層

`lstmLayer`	再帰型ニューラルネットワーク (RNN) 用の長短期記憶 (LSTM) 層
`bilstmLayer`	再帰型ニューラルネットワーク (RNN) 用の双方向長短期記憶 (BiLSTM) 層
`gruLayer`	再帰型ニューラルネットワーク (RNN) 用のゲート付き回帰型ユニット (GRU) 層 (R2020a 以降)
`lstmProjectedLayer`	Long short-term memory (LSTM) projected layer for recurrent neural network (RNN) (R2022b 以降)
`gruProjectedLayer`	Gated recurrent unit (GRU) projected layer for recurrent neural network (RNN) (R2023b 以降)

トランスフォーマー層

`selfAttentionLayer`	自己注意層 (R2023a 以降)
`attentionLayer`	Dot-product attention layer (R2024a 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)

畳み込み層と全結合層

`convolution1dLayer`	1 次元畳み込み層 (R2021b 以降)
`transposedConv1dLayer`	1 次元転置畳み込み層 (R2022a 以降)
`fullyConnectedLayer`	全結合層

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
`preluLayer`	Parametrized Rectified Linear Unit (PReLU) layer (R2024a 以降)
`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
`spatialDropoutLayer`	Spatial dropout layer (R2024a 以降)
`functionLayer`	関数層 (R2021b 以降)

ユーティリティ層

`dropoutLayer`	ドロップアウト層
`networkLayer`	Network Layer (R2024a 以降)
`complexToRealLayer`	Complex-to-real layer (R2024b 以降)
`realToComplexLayer`	Real-to-complex layer (R2024b 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

プーリング層

`maxPooling1dLayer`	1 次元最大プーリング層 (R2021b 以降)
`averagePooling1dLayer`	1 次元平均プーリング層 (R2021b 以降)
`globalMaxPooling1dLayer`	1 次元グローバル最大プーリング層 (R2021b 以降)
`globalAveragePooling1dLayer`	1 次元グローバル平均プーリング層 (R2021b 以降)
`adaptiveAveragePooling2dLayer`	Adaptive average pooling 2-D layer (R2024a 以降)

結合層

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

ネットワークの構築

`dlnetwork`	深層学習ニューラルネットワーク
`addLayers`	ニューラルネットワークへの層の追加
`removeLayers`	ニューラルネットワークからの層の削除
`replaceLayer`	ニューラルネットワークの層の置き換え
`connectLayers`	ニューラルネットワークの層の結合
`disconnectLayers`	ニューラルネットワークの層の切り離し
`addInputLayer`	Add input layer to network (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)
`networkLayer`	Network Layer (R2024a 以降)
`expandLayers`	Expand network layers (R2024a 以降)
`groupLayers`	Group layers into network layers (R2024a 以降)
`networkDataLayout`	Deep learning network data layout for learnable parameter initialization (R2022b 以降)
`setL2Factor`	層の学習可能なパラメーターの L₂ 正則化係数の設定
`getL2Factor`	層の学習可能なパラメーターの L₂ 正則化係数の取得
`setLearnRateFactor`	層の学習可能なパラメーターの学習率係数を設定します。
`getLearnRateFactor`	層の学習可能なパラメーターの学習率係数の取得

ネットワーク情報

`plot`	ニューラルネットワークアーキテクチャのプロット
`summary`	ネットワークの概要の出力 (R2022b 以降)
`analyzeNetwork`	深層学習ネットワークアーキテクチャの解析
`checkLayer`	Check validity of custom or function layer
`isequal`	Check equality of neural networks (R2021a 以降)
`isequaln`	Check equality of neural networks ignoring `NaN` values (R2021a 以降)

トピック

組み込み層

数値特徴量を使用したネットワークの学習
この例では、深層学習による特徴データ分類用のシンプルな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。
深層学習を使用したシーケンスの分類
この例では、長短期記憶 (LSTM) ネットワークを使用してシーケンスデータを分類する方法を説明します。
深層学習を使用した sequence-to-sequence 分類
この例では、長短期記憶 (LSTM) ネットワークを使用してシーケンスデータの各タイムステップを分類する方法を説明します。
深層学習を使用した sequence-to-sequence 回帰
この例では、深層学習を使用してエンジンの残存耐用期間 (RUL) を予測する方法を説明します。
深層学習を使用した sequence-to-one 回帰
この例では、長短期記憶 (LSTM) ニューラルネットワークを使用して波形の周波数を予測する方法を説明します。
長短期記憶ニューラルネットワーク
長短期記憶 (LSTM) ニューラルネットワークについて学習します。
Example Deep Learning Networks Architectures
This example shows how to define simple deep learning neural networks for classification and regression tasks.
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。
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する。
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。