最新のリリースでは、このページがまだ翻訳されていません。このページの最新版は英語でご覧になれます。

イメージを使用した深層学習

畳み込みニューラルネットワークのゼロからの学習、または事前学習済みのネットワークを使用した新しいタスクの高速学習

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します。転移学習を使用して、事前学習済みのネットワークによって提供される知識を活用し、新しいデータの新しいパターンを学習することもできます。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、新しいタスクを高速に学習できます。

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しなければなりません。その後、trainNetwork 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。

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、Compute Capability 3.0 以上の CUDA^® 対応 NVIDIA^® GPU が必要です。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編集および構築

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
`trainNetwork`	深層学習用のニューラルネットワークの学習
`analyzeNetwork`	深層学習ネットワークアーキテクチャの解析

事前学習済みのネットワーク

`alexnet`	事前学習済み AlexNet 畳み込みニューラルネットワーク
`vgg16`	事前学習済み VGG-16 畳み込みニューラルネットワーク
`vgg19`	事前学習済みの VGG-19 畳み込みニューラルネットワーク
`squeezenet`	事前学習済み SqueezeNet 畳み込みニューラルネットワーク
`googlenet`	事前学習済み GoogLeNet 畳み込みニューラルネットワーク
`inceptionv3`	事前学習済み Inception-v3 畳み込みニューラルネットワーク
`densenet201`	事前学習済み DenseNet-201 畳み込みニューラルネットワーク
`mobilenetv2`	MobileNet-v2 convolutional neural network
`resnet18`	事前学習済みの ResNet-18 畳み込みニューラルネットワーク
`resnet50`	事前学習済みの ResNet-50 畳み込みニューラルネットワーク
`resnet101`	事前学習済みの ResNet-101 畳み込みニューラルネットワーク
`xception`	Xception convolutional neural network
`inceptionresnetv2`	事前学習済み Inception-ResNet-v2 畳み込みニューラルネットワーク
`nasnetlarge`	Pretrained NASNet-Large convolutional neural network
`nasnetmobile`	Pretrained NASNet-Mobile convolutional neural network
`shufflenet`	Pretrained ShuffleNet convolutional neural network

層

入力層

`imageInputLayer`	イメージ入力層
`image3dInputLayer`	3-D image input layer

畳み込み層と全結合層

`convolution2dLayer`	2 次元畳み込み層
`convolution3dLayer`	3-D convolutional layer
`groupedConvolution2dLayer`	2-D grouped convolutional layer
`transposedConv2dLayer`	Transposed 2-D convolution layer
`transposedConv3dLayer`	Transposed 3-D convolution layer
`fullyConnectedLayer`	全結合層

活性化層

`reluLayer`	正規化線形ユニット (ReLU) 層
`leakyReluLayer`	漏洩正規化線形ユニット (ReLU) 層
`clippedReluLayer`	クリップされた正規化線形ユニット (ReLU) 層
`eluLayer`	Exponential linear unit (ELU) layer
`tanhLayer`	Hyperbolic tangent (tanh) layer

正規化層、ドロップアウト層、およびトリミング層

`batchNormalizationLayer`	バッチ正規化層
`crossChannelNormalizationLayer`	チャネル単位の局所応答正規化層
`dropoutLayer`	ドロップアウト層
`crop2dLayer`	2-D crop layer
`crop3dLayer`	3-D crop layer

プーリング層と逆プーリング層

`averagePooling2dLayer`	平均プーリング層
`averagePooling3dLayer`	3-D average pooling layer
`globalAveragePooling2dLayer`	Global average pooling layer
`globalAveragePooling3dLayer`	3-D global average pooling layer
`maxPooling2dLayer`	最大プーリング層
`maxPooling3dLayer`	3-D max pooling layer
`maxUnpooling2dLayer`	最大逆プーリング層

結合層

`additionLayer`	加算層
`concatenationLayer`	Concatenation layer
`depthConcatenationLayer`	深さ連結層

出力層

`softmaxLayer`	ソフトマックス層
`classificationLayer`	分類出力層
`regressionLayer`	回帰出力層の作成

イメージの前処理

`augmentedImageDatastore`	バッチの変換によるイメージデータの拡張
`imageDataAugmenter`	イメージデータ拡張の構成
`augment`	Apply identical random transformations to multiple images

DAG ネットワーク

`layerGraph`	深層学習用のネットワーク層のグラフ
`plot`	ニューラルネットワークの層グラフのプロット
`addLayers`	層グラフへの層の追加
`removeLayers`	層グラフからの層の削除
`replaceLayer`	Replace layer in layer graph
`connectLayers`	層グラフの層の結合
`disconnectLayers`	層グラフの層の切り離し
`DAGNetwork`	深層学習用の有向非循環グラフ (DAG) ネットワーク

予測

`classify`	学習済み深層学習ニューラルネットワークを使用したデータの分類
`activations`	深層学習ネットワーク層の活性化の計算
`predict`	学習済み深層学習ニューラルネットワークを使用した応答の予測
`confusionchart`	Create confusion matrix chart for classification problem
ConfusionMatrixChart Properties	Confusion matrix chart appearance and behavior
`sortClasses`	Sort classes of confusion matrix chart

例および操作のヒント

事前学習済みのネットワークの使用

GoogLeNet を使用したイメージの分類

この例では、事前学習済みの深層畳み込みニューラルネットワーク GoogLeNet を使用してイメージを分類する方法を説明します。

深層学習を使用した Web カメライメージの分類

この例では、事前学習済みの深層畳み込みニューラルネットワーク GoogLeNet を使用して、Web カメラのイメージをリアルタイムで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転移学習

新しいイメージ分類タスクを学習するように、事前学習済みの深層学習ネットワークを対話形式で微調整します。

新しいイメージを分類するための深層学習ネットワークの学習

この例では、転移学習を使用して、畳み込みニューラルネットワークの再学習を行い、新しい一連のイメージを分類する方法を説明します。

事前学習済みのネットワークを使用したイメージの特徴の抽出

この例では、事前学習済みの畳み込みニューラルネットワークから学習済みのイメージの特徴を抽出し、これらの特徴を使用してイメージ分類器に学習させる方法を説明します。

AlexNet を使用した転移学習

この例では、事前学習済みの AlexNet 畳み込みニューラルネットワークを微調整して、新しいイメージコレクションを分類する方法を説明します。

事前学習済みの深層ニューラルネットワーク

分類、転移学習、特徴抽出用の事前学習済みの畳み込みニューラルネットワークのダウンロード方法と使用方法を学習します。

新しい深いネットワークの作成

分類用のシンプルな深層学習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。

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

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。

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を使用して回帰モデルにあてはめ、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。

畳み込みニューラルネットワークの層の指定

畳み込みニューラルネットワーク (ConvNet) の層と、それらが ConvNet に現れる順序について学習します。

ディープネットワークデザイナーからの MATLAB コードの生成

MATLAB コードを生成して、ディープネットワークデザイナーで作成または編集されたネットワークを再作成します。

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。

Train Generative Adversarial Network (GAN)

This example shows how to train a generative adversarial network (GAN) to generate images.

Train Network Using Custom Training Loop

This example shows how to train a network that classifies handwritten digits with a custom learning rate schedule.

Train Network with Multiple Outputs

This example shows how to train a deep learning network with multiple outputs that predict both labels and angles of rotations of handwritten digits.

Train a Siamese Network to Compare Images

This example shows how to train a Siamese network to identify similar images of handwritten characters.

概念

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。

パラメーターの設定と畳み込みニューラルネットワークの学習

畳み込みニューラルネットワークの学習パラメーターの設定方法を学習します。

イメージの深層学習向け前処理

学習、予測、および分類用にイメージのサイズを変更する方法と、データ拡張、変換、および専用のデータストアを使用してイメージを前処理する方法を学びます。

ボリュームの深層学習向け前処理

ボリュームイメージとラベルデータを読み取り、3 次元深層学習向けに前処理します。

深層学習用のデータストア

深層学習アプリケーションでデータストアを使用する方法を学びます。

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。

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します。

注目の例

深層学習を使用した Web カメライメージの分類

スクリプトを開く

新しいイメージを分類するための深層学習ネットワークの学習

この例では、転移学習を使用して、畳み込みニューラルネットワークの再学習を行い、新しい一連のイメージを分類する方法を説明します。

ライブスクリプトを開く

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。

ライブスクリプトを開く

image-to-image 回帰用のデータストアの準備

この例では、ImageDatastore の関数 transform および combine を使用して image-to-image 回帰ネットワークの学習用のデータストアを準備する方法を説明します。

ライブスクリプトを開く

イメージを使用した深層学習

アプリ