事前学習済みのネットワーク

事前学習済みのイメージネットワークを使用して新しいタスクを高速に学習させる

転移学習を使用し、事前学習済みのネットワークで得られる知識を活用して新しいイメージデータに含まれる新しいパターンを学習させます。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、新しいタスクのモデルを高速に作成できます。利用可能な事前学習済みのネットワークを検討するには、ディープネットワークデザイナーを使用します。

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と可視化

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
`trainnet`	Train deep learning neural network (R2023b 以降)
`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

imagePretrainedNetwork Pretrained neural network for images (R2024a 以降)

予測

`predict`	推論用の深層学習ネットワーク出力の計算 (R2019b 以降)
`minibatchpredict`	Mini-batched neural network prediction (R2024a 以降)
`scores2label`	Convert prediction scores to labels (R2024a 以降)
`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

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 (R2020b 以降)
Image Classifier	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 (R2020b 以降)

トピック

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。
Retrain Neural Network to Classify New Images
This example shows how to retrain a pretrained SqueezeNet neural network to perform classification on a new collection of images.
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。
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する。
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。

注目の例

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。

ライブスクリプトを開く

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。特徴抽出は、事前学習済みの深いネットワークの表現能力を活用できる最も簡単で時間のかからない方法です。たとえば、抽出した特徴に対して fitcecoc (Statistics and Machine Learning Toolbox™) を使用してサポートベクターマシン (SVM) に学習させることができます。特徴抽出が必要とするものはデータを一巡する 1 つのパスのみであるため、ネットワークの学習を加速するための GPU がない場合、これは適切な開始点となります。

ライブスクリプトを開く