イメージを使用した深層学習
事前学習済みのネットワークを使用して新しいタスクを高速に学習させる。または、畳み込みニューラル ネットワークにゼロから学習させる
転移学習を使用し、事前学習済みのネットワークで得られる知識を活用して新しいデータに含まれる新しいパターンを学習させます。通常は、転移学習によって事前学習済みのイメージ分類ネットワークを微調整する方が、ゼロから学習させるよりもはるかに簡単で時間がかかりません。事前学習済みの深いネットワークを使用すると、数百万のイメージや強力な GPU を用意して新しいネットワークの定義と学習を行うことなく、新しいタスクのモデルを高速に作成できます。ネットワーク アーキテクチャを定義し、ネットワークにゼロから学習させて、イメージの分類タスクと回帰タスク用の深いネットワークを新しく作成することもできます。
関数 trainNetwork
および trainingOptions
を使用してネットワークに学習させたり、dlnetwork
オブジェクトや関数 dlarray
を使用してカスタム学習ループを指定したりすることができます。
畳み込みニューラル ネットワークの学習は、1 つの CPU または GPU で、複数の CPU または GPU で、あるいはクラスターまたはクラウドで並列に行えます。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。
カテゴリ
- イメージ用の事前学習済みのネットワーク
事前学習済みのネットワークを使用して新しいタスクを高速に学習させる
- イメージ用の深いネットワーク
深層ニューラル ネットワークを作成してゼロから学習させる
- 深いネットワークのイメージ用途向けカスタマイズ
深層学習の学習ループおよび損失関数のカスタマイズ
- イメージ用のデータ前処理
深層学習用のデータの管理と前処理