深層ニューラルネットワークの構築

ネットワークは、コマンドライン関数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アプリを使用して対話的に構築する

ネットワークのゼロからの構築は、MATLAB^® コードを使用して行うか、ディープネットワークデザイナーアプリを使用して対話的に行います。分類や回帰などのタスクのためのネットワークを構築するには、組み込み層を使用します。組み込み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。その後、ネットワークを解析してネットワークアーキテクチャを理解することで、学習の前に問題をチェックすることができます。

目的のタスクに必要な層が組み込み層に用意されていない場合、独自のカスタム深層学習層を定義できます。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。

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。関数として定義される深層学習モデルの学習を行う方法を示す例については、モデル関数を使用したネットワークの学習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

`inputLayer`	Input layer (R2023b 以降)
`imageInputLayer`	イメージ入力層
`image3dInputLayer`	3 次元イメージ入力層
`sequenceInputLayer`	シーケンス入力層
`featureInputLayer`	特徴入力層 (R2020b 以降)

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

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`	Self-attention layer (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)

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)
`softmaxLayer`	ソフトマックス層
`sigmoidLayer`	シグモイド層 (R2020b 以降)
`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
`spatialDropoutLayer`	Spatial dropout layer (R2024a 以降)
`flattenLayer`	フラット化層
`crop2dLayer`	2 次元トリミング層
`crop3dLayer`	3-D crop layer (R2019b 以降)
`networkLayer`	Network Layer (R2024a 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
`adaptiveAveragePooling2dLayer`	Adaptive average pooling 2-D layer (R2024a 以降)
`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

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 (R2019b 以降)
`imagePretrainedNetwork`	Pretrained neural network for images (R2024a 以降)
`resnetNetwork`	2-D residual neural network (R2024a 以降)
`resnet3dNetwork`	3-D residual neural network (R2024a 以降)
`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
`getLayer`	Look up a layer by name or path (R2024a 以降)
`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
`expandLayers`	Expand network layers (R2024a 以降)
`groupLayers`	Group layers into network layers (R2024a 以降)
`analyzeNetwork`	深層学習ネットワークアーキテクチャの解析
`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)
`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
`dag2dlnetwork`	Convert `SeriesNetwork` and `DAGNetwork` to `dlnetwork` (R2024a 以降)

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

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。
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。
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。
Create and Train Network with Nested Layers
This example shows how to create and train a network with nested layers using network layers. (R2024a 以降)
Example Deep Learning Networks Architectures
This example shows how to define simple deep learning neural networks for classification and regression tasks.
Choose an AI Model
Explore options for choosing an AI model.
ディープネットワークデザイナーから MATLAB コードを生成
ディープネットワークデザイナーでネットワークの設計を再作成する MATLAB コードを生成する。

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。
深層学習のネットワーク構成
ニューラルネットワークを含むカスタム層を定義する。
ネットワーク構成を使用した入れ子の深層学習層の定義
この例では、入れ子のカスタム深層学習層を定義する方法を示します。
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。
View Autogenerated Custom Layers Using Deep Network Designer
This example shows how to import a pretrained TensorFlow™ network and view the autogenerated layers in Deep Network Designer.