組み込み学習

組み込み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

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。

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 (R2019b 以降)
`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

多層パーセプトロンネットワーク

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。
Compare Deep Learning Networks for Credit Default Prediction
Create, train, and compare three deep learning networks for predicting credit default probability.
Battery State of Charge Workflow

An example workflow for training, compressing, and using a deep learning network in Simulink^®.
- ステップ 1: 深層学習を使用したバッテリー充電状態の予測
- ステップ 2: Compress Network for Estimating Battery State of Charge
- ステップ 3: 深層学習ネットワークを使用した Simulink でのバッテリー充電状態の推定

再帰型ネットワーク

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。
Train Network with LSTM Projected Layer
Train a deep learning network with an LSTM projected layer for sequence-to-label classification.
深層学習を使用したビデオの分類
この例では、事前学習済みのイメージ分類モデルと LSTM ネットワークを組み合わせることによって、ビデオの分類用のネットワークを作成する方法を説明します。
シーケンスデータのカスタムミニバッチデータストアを使用したネットワークの学習
この例では、カスタムミニバッチデータストアを使用してメモリ外のシーケンスデータで深層学習ネットワークに学習させる方法を説明します。

畳み込みネットワーク

1 次元畳み込みを使用したシーケンス分類
この例では、1 次元畳み込みニューラル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時系列異常検出
この例では、シーケンスデータまたは時系列データで異常を検出する方法を示します。
Train Sequence Classification Network Using Data With Imbalanced Classes
This example shows how to classify sequences with a 1-D convolutional neural network using class weights to modify the training to account for imbalanced classes.
1 次元畳み込みを使用した sequence-to-sequence 分類
この例では、一般的な時間的畳み込みネットワーク (TCN) 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。
複素数値データを使用したネットワークの学習
この例では、1 次元畳み込みニューラルネットワークを使用して複素数値波形の周波数を予測する方法を示します。
Sequence Classification Using CNN-LSTM Network
This example shows how to create a 2-D CNN-LSTM network for speech classification tasks by combining a 2-D convolutional neural network (CNN) with a long short-term memory (LSTM) layer.
イメージデータおよび特徴データにおけるネットワークの学習
この例では、イメージと特徴の両方の入力データを使用して、手書きの数字を分類するネットワークの学習を行う方法について説明します。

MATLAB を使用した深層学習

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。