深層学習のカスタム学習ループ
深層学習の学習ループおよび損失関数のカスタマイズ
タスクに必要な学習オプションが関数 trainingOptions
に用意されていない場合、または必要な損失関数をカスタム出力層がサポートしていない場合、カスタム学習ループを定義できます。層グラフを使用して作成できないネットワークの場合、カスタム ネットワーク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。
関数
トピック
カスタム学習ループ
- MATLAB による深層学習モデルの学習
MATLAB® で深層学習モデルを学習させる方法を学習する。 - 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
自動微分を使用して深層学習の学習ループ、損失関数、およびネットワークを定義する方法を学びます。 - カスタム学習ループを使用したネットワークの学習
この例では、カスタム学習率スケジュールで手書きの数字を分類するネットワークに学習させる方法を示します。 - カスタム学習ループでの学習オプションの指定
カスタム学習ループで一般的な学習オプションを指定する方法を学びます。 - カスタム学習ループのモデル損失関数の定義
カスタム学習ループのモデル損失関数を定義する方法を学ぶ。 - カスタム学習ループでのバッチ正規化統計量の更新
この例では、カスタム学習ループでネットワークの状態を更新する方法を示します。 - dlnetwork オブジェクトを使用した予測の実行
この例では、データをミニバッチに分割することにより、dlnetwork
オブジェクトを使用して予測を行う方法を示します。 - Monitor Custom Training Loop Progress
Track and plot custom training loop progress. - 複数の出力をもつネットワークの学習
この例では、手書きの数字のラベルと回転角度の両方を予測する、複数の出力をもつ深層学習ネットワークに学習させる方法を説明します。 - Classify Videos Using Deep Learning with Custom Training Loop
This example shows how to create a network for video classification by combining a pretrained image classification model and a sequence classification network. - Train Image Classification Network Robust to Adversarial Examples
This example shows how to train a neural network that is robust to adversarial examples using fast gradient sign method (FGSM) adversarial training. - ニューラル ODE ネットワークの学習
この例では、拡張ニューラル常微分方程式 (ODE) ネットワークに学習させる方法を示します。 - Train Robust Deep Learning Network with Jacobian Regularization
This example shows how to train a neural network that is robust to adversarial examples using a Jacobian regularization scheme [1]. - ニューラル ネットワークを使用した常微分方程式の求解
この例では、ニューラル ネットワークを使用して常微分方程式 (ODE) を解く方法を示します。 - 予測用の多出力ネットワークの組み立て
この例では、予測用の複数の出力ネットワークを組み立てる方法を説明します。 - Run Custom Training Loops on a GPU and in Parallel
Speed up custom training loops by running on a GPU, in parallel using multiple GPUs, or on a cluster.
モデル関数
- モデル関数を使用したネットワークの学習
この例では、層グラフまたはdlnetwork
ではなく関数を使用して深層学習ネットワークを作成し、学習させる方法を説明します。 - モデル関数を使用したバッチ正規化統計量の更新
この例では、関数として定義されたネットワークにおいて、ネットワークの状態を更新する方法を示します。 - モデル関数を使用した予測の実行
この例では、データをミニバッチに分割することにより、モデル関数を使用して予測を行う方法を示します。 - モデル関数の学習可能パラメーターの初期化
モデル関数を使用して、カスタム学習ループの学習可能なパラメーターを初期化する方法を学ぶ。 - Train Latent ODE Network with Irregularly Sampled Time-Series Data
This example shows how to train a latent ordinary differential equation (ODE) autoencoder with time-series data that is sampled at irregular time intervals. - Multivariate Time Series Anomaly Detection Using Graph Neural Network
This example shows how to detect anomalies in multivariate time series data using a graph neural network (GNN).
自動微分
- dlarray をサポートする関数の一覧
dlarray
オブジェクトをサポートする関数の一覧を表示します。 - 自動微分の背景
自動微分の機能を学びます。 - Deep Learning Toolbox での自動微分の使用
深層学習での自動微分の使用方法を示します。
深層学習関数の高速化
- Deep Learning Function Acceleration for Custom Training Loops
Accelerate model functions and model loss functions for custom training loops by caching and reusing traces. - Accelerate Custom Training Loop Functions
This example shows how to accelerate deep learning custom training loop and prediction functions. - 高速化された深層学習関数の出力のチェック
この例では、高速化された関数の出力が基になる関数の出力と一致するかどうかをチェックする方法を説明します。 - Evaluate Performance of Accelerated Deep Learning Function
This example shows how to evaluate the performance gains of using an accelerated function.