組み込み学習

組み込み学習関数を使用したイメージデータ用の深層学習ネットワークの学習

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、関数 trainnet 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、クラスラベルまたは数値応答を予測します。

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。

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

ネットワークの学習

`trainingOptions`	深層学習ニューラルネットワークの学習のオプション
`trainnet`	Train deep learning neural network (R2023b 以降)
`analyzeNetwork`	深層学習ネットワークアーキテクチャの解析

予測

`predict`	推論用の深層学習ネットワーク出力の計算
`minibatchpredict`	Mini-batched neural network prediction (R2024a 以降)
`scores2label`	Convert prediction scores to labels (R2024a 以降)
`confusionchart`	分類問題用の混同行列チャートの作成
`sortClasses`	混同行列チャートのクラスの並べ替え

トピック

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に学習させ、手書きの数字の回転角度を予測する方法を示します。
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。
Speed Up Deep Neural Network Training
Learn how to accelerate deep neural network training.
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。

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。