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`	Pretrained DenseNet-201 convolutional neural network
`mobilenetv2`	Pretrained MobileNet-v2 convolutional neural network
`resnet18`	Pretrained ResNet-18 convolutional neural network
`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`	Pretrained 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

層

`imageInputLayer`	イメージ入力層
`image3dInputLayer`	3-D image input layer
`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
`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
`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
`averagePooling2dLayer`	平均プーリング層
`averagePooling3dLayer`	3-D 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
`additionLayer`	加算層
`concatenationLayer`	Concatenation layer
`depthConcatenationLayer`	深さ連結層
`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`	畳み込みニューラル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。

Extract Image Features Using Pretrained Network

This example shows how to extract learned image features from a pretrained convolutional neural network, and use those features to train an image classifier. Feature extraction is the easiest and fastest way to use the representational power of pretrained deep networks. For example, you can train a support vector machine (SVM) using fitcecoc (Statistics and Machine Learning Toolbox™) on the extracted features. Because feature extraction only requires a single pass through the data, it is a good starting point if you do not have a GPU to accelerate network training with.

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。

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。

Datastores for Deep Learning

Learn how to use datastores in deep learning applications.

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

Prepare Datastore for Image-to-Image Regression

Prepare a datastore for training an image-to-image regression network using the transform and combine functions of ImageDatastore.

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