組み込み層
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。
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
トピック
- 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。
- 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。
- 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。
- 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。
注目の例
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。
分類ネットワークの回帰ネットワークへの変換
この例では、学習済み分類ネットワークを回帰ネットワークに変換する方法を説明します。
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。
ディープ ネットワーク デザイナーを使用した Image-to-Image 回帰ネットワークの構築
この例では、ディープ ネットワーク デザイナーを使用して、超解像用の image-to-image 回帰ネットワークを構築する方法を示します。
深層学習を使用した複数ラベル イメージ分類
この例では、複数ラベル イメージ分類用に、転移学習を使用して深層学習モデルに学習させる方法を説明します。
ディープ ネットワーク デザイナー入門
この例では、ディープ ネットワーク デザイナーを使用して、深層学習によるシーケンス分類用のシンプルな再帰型ニューラル ネットワークを作成する方法を示します。
イメージ分類入門
この例では、ディープ ネットワーク デザイナー アプリを使用して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する方法を示します。畳み込みニューラル ネットワークは深層学習に不可欠なツールであり、特にイメージの認識に適しています。
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。
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。
Interpretable Time Series Forecasting Using a Temporal Fusion Transformer
Forecast electricity usage using an interpretable temporal fusion transformer (TFT).
