操作
ほとんどのタスクでは、組み込み層を使用できます。目的のタスクに必要な組み込み層が用意されていない場合、独自のカスタム層を定義できます。学習可能なパラメーターと状態パラメーターを使用してカスタム層を定義できます。カスタム層を定義した後、その層の有効性、GPU 互換性、定義した勾配の出力の正しさをチェックできます。詳細については、カスタム深層学習層の定義を参照してください。サポートされている層の一覧については、深層学習層の一覧を参照してください。
深層学習の操作を使用して、カスタム層、学習ループ、およびモデル関数のための MATLAB® コードを開発します。
関数
トピック
自動微分
- 自動微分の背景
自動微分の機能を学びます。 - Deep Learning Toolbox での自動微分の使用
深層学習での自動微分の使用方法を示します。 - dlarray をサポートする関数の一覧
dlarrayオブジェクトをサポートする関数の一覧を表示します。 - Define Custom Deep Learning Operations
Learn how to define custom deep learning operation. - Specify Custom Operation Backward Function
This example shows how to define the SReLU operation as a differentiable function and specify a custom backward function. - Train Model Using Custom Backward Function
This example shows how to train a deep learning model that contains an operation with a custom backward function. - 双方向 LSTM (BiLSTM) 関数の作成
この例では、カスタム深層学習関数用の双方向長短期記憶 (BiLSTM) 関数を作成する方法を示します。 (R2023b 以降)
モデル関数
- モデル関数を使用したネットワークの学習
この例では、層グラフまたはdlnetworkではなく関数を使用して深層学習ネットワークを作成し、学習させる方法を説明します。 - モデル関数を使用したバッチ正規化統計量の更新
この例では、関数として定義されたネットワークにおいて、ネットワークの状態を更新する方法を示します。 - モデル関数を使用した予測の実行
この例では、データをミニバッチに分割することにより、モデル関数を使用して予測を行う方法を示します。 - モデル関数の学習可能なパラメーターの初期化
モデル関数を使用して、カスタム学習ループの学習可能なパラメーターを初期化する方法を学ぶ。
深層学習関数の高速化
- Deep Learning Function Acceleration for Custom Training Loops
Accelerate model functions and model loss functions for custom training loops by caching and reusing traces. - Accelerate Custom Training Loop Functions
This example shows how to accelerate deep learning custom training loop and prediction functions. - 高速化された深層学習関数の出力のチェック
この例では、高速化された関数の出力が基になる関数の出力と一致するかどうかをチェックする方法を説明します。 - Evaluate Performance of Accelerated Deep Learning Function
This example shows how to evaluate the performance gains of using an accelerated function.
関連情報
注目の例
Train a Twin Network for Dimensionality Reduction
Train a twin neural network with shared weights to compare handwritten digits using dimensionality reduction.
Train a Twin Neural Network to Compare Images
Train a twin neural network with shared weights to identify similar images of handwritten characters.
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。
アテンションを使用した sequence-to-sequence 変換
この例では、アテンションを使用した再帰型 sequence-to-sequence 符号化器-復号化器モデルを用いて数字の文字列をローマ数字に変換する方法を説明します。
Physics Informed Neural Network を使用した PDE の求解
この例では、Physics Informed Neural Network (PINN) に学習させて偏微分方程式 (PDE) の解を予測する方法を示します。
ニューラル ODE を使用した動的システムのモデル化
この例では、ニューラル常微分方程式 (ODE) を使用して、物理的なシステムのダイナミクスをニューラル ネットワークに学習させる方法を説明します。
グラフ畳み込みネットワークを使用したノード分類
この例では、グラフ畳み込みネットワーク (GCN) を使用してグラフ内のノードを分類する方法を説明します。
Multilabel Graph Classification Using Graph Attention Networks
Classify graphs that have multiple independent labels using graph attention networks (GATs).
Train Latent ODE Network with Irregularly Sampled Time-Series Data
Train a latent ordinary differential equation (ODE) autoencoder with time-series data that is sampled at irregular time intervals.
Multivariate Time Series Anomaly Detection Using Graph Neural Network
Detect anomalies in multivariate time series data using a graph neural network (GNN).
