時系列とシーケンスデータを使用した深層学習

時系列の分類、回帰、および予測タスク用のネットワークの作成および学習

時系列の分類、回帰、および予測タスク用のネットワークを作成し、そのネットワークに学習させます。sequence-to-one または sequence-to-label 分類問題および回帰問題の場合は、長短期記憶 (LSTM) ネットワークに学習させます。単語埋め込み層を使用してテキストデータについて LSTM ネットワークに学習させたり (Text Analytics Toolbox™ が必要)、スペクトログラムを使用してオーディオデータについて畳み込みニューラルネットワークに学習させたり (Audio Toolbox™ が必要) することができます。

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

層

入力層

`sequenceInputLayer`	シーケンス入力層
`featureInputLayer`	特徴入力層

再帰層

`lstmLayer`	長短期記憶 (LSTM) 層
`bilstmLayer`	双方向長短期記憶 (BiLSTM) 層
`gruLayer`	ゲート付き回帰型ユニット (GRU) 層
`lstmProjectedLayer`	Long short-term memory (LSTM) projected layer

畳み込み層と全結合層

`convolution1dLayer`	1 次元畳み込み層
`transposedConv1dLayer`	Transposed 1-D convolution layer
`fullyConnectedLayer`	全結合層

プーリング層

`maxPooling1dLayer`	1 次元最大プーリング層
`averagePooling1dLayer`	1 次元平均プーリング層
`globalMaxPooling1dLayer`	1-D global max pooling layer
`globalAveragePooling1dLayer`	1-D global average pooling layer

活性化層とドロップアウト層

`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`	指数線形ユニット (ELU) 層
`tanhLayer`	双曲線正接 (tanh) 層
`swishLayer`	Swish 層
`geluLayer`	Gaussian error linear unit (GELU) layer
`softmaxLayer`	ソフトマックス層
`dropoutLayer`	ドロップアウト層
`functionLayer`	関数層

データ操作

`sequenceFoldingLayer`	シーケンス折りたたみ層
`sequenceUnfoldingLayer`	シーケンス展開層
`flattenLayer`	フラット化層

出力層

`classificationLayer`	分類出力層
`regressionLayer`	回帰出力層

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
`predictAndUpdateState`	学習済み再帰型ニューラルネットワークを使用した応答の予測とネットワーク状態の更新
`classifyAndUpdateState`	Classify data using a trained recurrent neural network and update the network state
`resetState`	ニューラルネットワークの状態パラメーターのリセット
`confusionchart`	分類問題用の混同行列チャートの作成
`sortClasses`	混同行列チャートのクラスの並べ替え

カスタム学習ループ

padsequences Pad or truncate sequence data to same length

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	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
Stateful Predict	学習済み再帰型ニューラルネットワークを使用した応答の予測
Stateful Classify	学習済み深層学習再帰型ニューラルネットワークを使用したデータの分類

プロパティ

ConfusionMatrixChart Properties

Confusion matrix chart appearance and behavior

トピック

再帰型ネットワーク

長短期記憶ネットワーク
長短期記憶 (LSTM) ネットワークについて学習します。
深層学習を使用した時系列予測
この例では、長短期記憶 (LSTM) ネットワークを使用して時系列データを予測する方法を説明します。
深層学習を使用したシーケンスの分類
この例では、長短期記憶 (LSTM) ネットワークを使用してシーケンスデータを分類する方法を説明します。
深層学習を使用した sequence-to-sequence 分類
この例では、長短期記憶 (LSTM) ネットワークを使用してシーケンスデータの各タイムステップを分類する方法を説明します。
深層学習を使用した sequence-to-sequence 回帰
この例では、深層学習を使用してエンジンの残存耐用期間 (RUL) を予測する方法を説明します。
深層学習を使用した sequence-to-one 回帰
この例では、長短期記憶 (LSTM) ニューラルネットワークを使用して波形の周波数を予測する方法を説明します。
Train Network with LSTM Projected Layer
Train a deep learning network with an LSTM projected layer for sequence-to-label classification.
ディープネットワークデザイナーを使用したシンプルなシーケンス分類ネットワークの作成
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シンプルな長短期記憶 (LSTM) 分類ネットワークを作成する方法を説明します。
深層学習を使用したビデオの分類
この例では、事前学習済みのイメージ分類モデルと LSTM ネットワークを組み合わせることによって、ビデオの分類用のネットワークを作成す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.
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。
シーケンスデータのカスタムミニバッチデータストアを使用したネットワークの学習
この例では、カスタムミニバッチデータストアを使用してメモリ外のシーケンスデータで深層学習ネットワークに学習させる方法を説明します。
LSTM ネットワークの活性化の可視化
この例では、活性化を抽出し、LSTM ネットワークによって学習された特徴を調査して可視化する方法を説明します。
深層学習を使用した化学的プロセスの故障検出
シミュレーションデータを使用して、化学的プロセスの故障を検出できるニューラルネットワークに学習させる。
ディープネットワークデザイナーを使用したシンプルなシーケンス分類ネットワークの作成
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シンプルな長短期記憶 (LSTM) 分類ネットワークを作成する方法を説明します。
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.

畳み込みネットワーク

1 次元畳み込みを使用したシーケンス分類
この例では、1 次元畳み込みニューラルネットワークを使用してシーケンスデータを分類する方法を説明します。
深層学習を使用した時系列異常検出
この例では、シーケンスデータまたは時系列データで異常を検出する方法を示します。
深層学習を使用した音声コマンド認識モデルの学習
この例では、オーディオに存在する音声コマンドを検出する深層学習モデルに学習させる方法を説明します。
Train Sequence Classification Network Using Data With Imbalanced Classes
This example shows how to classify sequences with a 1-D convolutional neural network using class weights to modify the training to account for imbalanced classes.
1 次元畳み込みを使用した sequence-to-sequence 分類
この例では、一般的な時間的畳み込みネットワーク (TCN) を使用してシーケンスデータの各タイムステップを分類する方法を説明します。
Train Network with Complex-Valued Data
This example shows how to predict the frequency of a complex-valued waveform using a 1-D convolutional neural network.
Interpret Deep Learning Time-Series Classifications Using Grad-CAM
This example shows how to use the gradient-weighted class activation mapping (Grad-CAM) technique to understand the classification decisions of a 1-D convolutional neural network trained on time-series data.
Sequence Classification Using CNN-LSTM Network
This example shows how to create a 2-D CNN-LSTM network for speech classification tasks by combining a 2-D convolutional neural network (CNN) with a long short-term memory (LSTM) layer.
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。

Simulink を使用した深層学習

Simulink でのネットワークの状態の予測と更新
この例では、Stateful Predict ブロックを使用して、学習済みの再帰型ニューラルネットワークの応答を Simulink® で予測する方法を説明します。
Simulink でのネットワークの状態の分類と更新
この例では、Stateful Classify ブロックを使用して、Simulink® で学習済みの再帰型ニューラルネットワークのデータを分類する方法を説明します。
深層学習を使用したバッテリー充電状態の予測
この例では、深層学習を使用してバッテリーの充電状態を予測するためのニューラルネットワークに学習させる方法を示します。
Improve Performance of Deep Learning Simulations in Simulink
This example shows how to use code generation to improve the performance of deep learning simulations in Simulink®.
Physical System Modeling Using LSTM Network in Simulink
This example shows how to create a reduced order model (ROM) to replace a Simscape component in a Simulink® model by training a long short-term memory (LSTM) neural network.

MATLAB を使用した深層学習

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。
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。
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。
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。