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、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、リリース別の GPU サポート (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。

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、可視化、および学習

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

`squeezenet`	SqueezeNet 畳み込みニューラルネットワーク
`googlenet`	GoogLeNet 畳み込みニューラルネットワーク
`inceptionv3`	Inception-v3 畳み込みニューラルネットワーク
`densenet201`	DenseNet-201 畳み込みニューラルネットワーク
`mobilenetv2`	MobileNet-v2 convolutional neural network
`resnet18`	ResNet-18 畳み込みニューラルネットワーク
`resnet50`	ResNet-50 畳み込みニューラルネットワーク
`resnet101`	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
`darknet19`	DarkNet-19 convolutional neural network
`darknet53`	DarkNet-53 convolutional neural network
`efficientnetb0`	EfficientNet-b0 畳み込みニューラルネットワーク
`alexnet`	AlexNet 畳み込みニューラルネットワーク
`vgg16`	VGG-16 畳み込みニューラルネットワーク
`vgg19`	VGG-19 畳み込みニューラルネットワーク

層

入力層

`imageInputLayer`	イメージ入力層
`image3dInputLayer`	3-D image input layer
`featureInputLayer`	Feature 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 (leaky) 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
`swishLayer`	Swish 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
`groupNormalizationLayer`	Group normalization layer
`instanceNormalizationLayer`	Instance normalization layer
`layerNormalizationLayer`	Layer normalization layer
`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
`globalMaxPooling2dLayer`	Global max pooling layer
`globalMaxPooling3dLayer`	3-D global max 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
`multiplicationLayer`	Multiplication layer
`concatenationLayer`	Concatenation layer
`depthConcatenationLayer`	深さ連結層

出力層

`sigmoidLayer`	Sigmoid layer
`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
`isequal`	Check equality of deep learning layer graphs or networks
`isequaln`	Check equality of deep learning layer graphs or networks ignoring `NaN` values

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
`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
`activations`	深層学習ネットワーク層の活性化の計算
`confusionchart`	Create confusion matrix chart for classification problem
`sortClasses`	Sort classes of confusion matrix chart

ブロック

すべて展開する

深層ニューラルネットワーク

Predict	Predict responses using a trained deep learning neural network
Image Classifier	Classify data using a trained deep learning neural network

プロパティ

ConfusionMatrixChart Properties

Confusion matrix chart appearance and behavior

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。

事前学習済みのネットワークを使用した転移学習

この例では、事前学習済みの GoogLeNet 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の分類を実行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を当てはめ、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

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と学習を再作成する MATLAB コードを生成する。

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。

数値特徴量を使用したネットワークの学習

この例では、深層学習による特徴データ分類用のシンプルな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。

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。

敵対的生成ネットワーク (GAN) の学習

この例では、敵対的生成ネットワーク (GAN) に学習させてイメージを生成する方法を説明します。

条件付き敵対的生成ネットワーク (CGAN) の学習

この例では、条件付き敵対的生成ネットワーク (CGAN) に学習させてイメージを生成する方法を説明します。

高速スタイル転送ネットワークの学習

この例では、あるイメージのスタイルを転送して第 2 のイメージにするネットワークの学習方法を示します。

アテンションを使用したイメージキャプションの生成

この例では、アテンションを使用したイメージキャプション生成のために深層学習モデルを学習させる方法を説明します。

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。

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。

シャムネットワークの学習とイメージの比較

この例では、シャムネットワークに学習させて類似した手書き文字のイメージを特定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へのカスタム層のインポート

この例では、ディープネットワークデザイナーでカスタム重み付き分類層をインポートし、それを事前学習済みのネットワークに追加する方法を示します。

ディープネットワークデザイナーでの image-to-image 回帰

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 回帰ネットワークの構築と学習を行う方法を示します。

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。

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。

深層学習用のデータセット

さまざまな深層学習タスク用のデータセットを確認。

ディープネットワークデザイナーへのデータのインポート

ディープネットワークデザイナーでデータをインポートして可視化する。

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

深層学習を使用した Simulink での車線検出と車両検出

この例では、Simulink® モデル内で深層畳み込みニューラルネットワークを使用して、車線検出と車両検出を実行する方法を示します。この例では、交通量ビデオのフレームを入力として受け取り、自車の左右の車線に対応する 2 つの車線境界線を出力し、フレーム内の車両を検出します。

スクリプトを開く

深層学習を使用した Simulink での ECG 信号の分類

この例では、Simulink (R) モデル内でウェーブレット変換と深層学習ネットワークを使用して ECG 信号を分類する方法を示します。この例では、Wavelet Toolbox™ の "ウェーブレット解析と深層学習を使用した時系列の分類" の例にある事前学習済みの畳み込みニューラルネットワークを使用して、時系列データの CWT からのイメージを基に ECG 信号を分類します。学習の詳細については、ウェーブレット解析と深層学習を使用した時系列の分類 (Wavelet Toolbox)を参照してください。

スクリプトを開く

イメージを使用した深層学習

アプリ