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

ページ内をすべて折りたたむ

構文

Y = classify(net,images)

Y = classify(net,sequences)

Y = classify(net,features)

Y = classify(net,X1,...,XN)

Y = classify(net,mixed)

[Y,scores] = classify(___)

___ = classify(___,Name=Value)

説明

1 つの CPU または 1 つの GPU で深層学習用の学習済みニューラルネットワークを使用して予測を実行できます。GPU を使用するには Parallel Computing Toolbox™ ライセンスと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、GPU 計算の要件 (Parallel Computing Toolbox)を参照してください。名前と値の引数 ExecutionEnvironment を使用して、ハードウェア要件を指定します。

複数の出力があるネットワークの場合、代わりに関数 predict を使用して、ReturnCategorical オプションを true に設定します。

例

Y = classify(net,images) は、学習済みネットワーク net を使用して、指定されたイメージのクラスラベルを予測します。

例

Y = classify(net,sequences) は、学習済みネットワーク net を使用して、指定されたシーケンスのクラスラベルを予測します。

例

Y = classify(net,features) は、学習済みネットワーク net を使用して、指定された特徴データのクラスラベルを予測します。

Y = classify(net,X1,...,XN) は、多入力ネットワーク net に対する数値配列または cell 配列 X1、…、XN のデータのクラスラベルを予測します。入力 Xi は、ネットワーク入力 net.InputNames(i) に対応します。

例

Y = classify(net,mixed) は、混合するデータ型から成る複数の入力をもつ学習済みネットワーク net を使用してクラスラベルを予測します。

[Y,scores] = classify(___) は、前述の入力引数のいずれかを使用して、クラスラベルに対応する分類スコアも返します。

例

___ = classify(___,Name=Value) は、1 つ以上の名前と値の引数で指定された追加オプションを使用して、クラスラベルを予測します。

ヒント

長さが異なるシーケンスで予測を行うと、ミニバッチのサイズが、入力データに追加されるパディングの量に影響し、予測値が変わることがあります。さまざまな値を使用して、ネットワークに最適なものを確認してください。ミニバッチのサイズとパディングのオプションを指定するには、MiniBatchSize オプションと SequenceLength オプションをそれぞれ使用します。

例

すべて折りたたむ

学習済みの畳み込みニューラルネットワークを使用したイメージの分類

ライブスクリプトを開く

事前学習済みのネットワーク digitsNet を読み込みます。このネットワークには、手書きの数字を分類する分類畳み込みニューラルネットワークが含まれています。

load digitsNet

ネットワーク層を表示します。ネットワークの出力層は分類層です。

layers = net.Layers

layers = 
  15x1 Layer array with layers:

     1   'imageinput'    Image Input             28x28x1 images with 'zerocenter' normalization
     2   'conv_1'        2-D Convolution         8 3x3x1 convolutions with stride [1  1] and padding 'same'
     3   'batchnorm_1'   Batch Normalization     Batch normalization with 8 channels
     4   'relu_1'        ReLU                    ReLU
     5   'maxpool_1'     2-D Max Pooling         2x2 max pooling with stride [2  2] and padding [0  0  0  0]
     6   'conv_2'        2-D Convolution         16 3x3x8 convolutions with stride [1  1] and padding 'same'
     7   'batchnorm_2'   Batch Normalization     Batch normalization with 16 channels
     8   'relu_2'        ReLU                    ReLU
     9   'maxpool_2'     2-D Max Pooling         2x2 max pooling with stride [2  2] and padding [0  0  0  0]
    10   'conv_3'        2-D Convolution         32 3x3x16 convolutions with stride [1  1] and padding 'same'
    11   'batchnorm_3'   Batch Normalization     Batch normalization with 32 channels
    12   'relu_3'        ReLU                    ReLU
    13   'fc'            Fully Connected         10 fully connected layer
    14   'softmax'       Softmax                 softmax
    15   'classoutput'   Classification Output   crossentropyex with '0' and 9 other classes

テストイメージを読み込みます。

digitDatasetPath = fullfile(toolboxdir("nnet"),"nndemos","nndatasets","DigitDataset");
imdsTest = imageDatastore(digitDatasetPath,IncludeSubfolders=true);

関数 classify を使用してイメージを分類します。

YTest = classify(net,imdsTest);

いくつかのテストイメージを、それらの予測と共にランダムに表示します。

numImages = 9;
idx = randperm(numel(imdsTest.Files),numImages);

figure
tiledlayout("flow")
for i = 1:numImages
    nexttile
    imshow(imdsTest.Files{idx(i)});
    title("Predicted Label: " + string(YTest(idx(i))))
end

学習済み LSTM ネットワークを使用したシーケンスの分類

ライブスクリプトを開く

事前学習済みのネットワーク WaveformNet を読み込みます。

load WaveformDataNet

ネットワークアーキテクチャを表示します。

net.Layers

ans = 
  5x1 Layer array with layers:

     1   'sequenceinput'   Sequence Input          Sequence input with 3 dimensions
     2   'lstm'            LSTM                    LSTM with 120 hidden units
     3   'fc'              Fully Connected         4 fully connected layer
     4   'softmax'         Softmax                 softmax
     5   'classoutput'     Classification Output   crossentropyex with 'Sawtooth' and 3 other classes

テストデータを読み込みます。

load WaveformTestData

テストデータを分類します。

YTest = classify(net,XTest);

混同チャートで予測を表示します。

figure
confusionchart(TTest,YTest)

Figure contains an object of type ConfusionMatrixChart.

予測の分類精度を計算します。

accuracy = mean(YTest == TTest)

accuracy = 0.9000

学習済みネットワークを使用した特徴データの分類

ライブスクリプトを開く

事前学習済みのネットワーク TransmissionCasingNet を読み込みます。このネットワークは、数値センサーの読み取り値、統計量、およびカテゴリカル入力の混合を所与として、トランスミッションシステムの歯車の状態を分類します。

load TransmissionCasingNet

ネットワークアーキテクチャを表示します。

net.Layers

ans = 
  7x1 Layer array with layers:

     1   'input'         Feature Input           22 features with 'zscore' normalization
     2   'fc_1'          Fully Connected         50 fully connected layer
     3   'batchnorm'     Batch Normalization     Batch normalization with 50 channels
     4   'relu'          ReLU                    ReLU
     5   'fc_2'          Fully Connected         2 fully connected layer
     6   'softmax'       Softmax                 softmax
     7   'classoutput'   Classification Output   crossentropyex with classes 'No Tooth Fault' and 'Tooth Fault'

CSV ファイル "transmissionCasingData.csv" からトランスミッションケーシングデータを読み取ります。

filename = "transmissionCasingData.csv";
tbl = readtable(filename,TextType="string");

関数 convertvars を使用して、予測のラベルを categorical に変換します。

labelName = "GearToothCondition";
tbl = convertvars(tbl,labelName,"categorical");

カテゴリカル特徴量を使用して予測を行うには、最初にカテゴリカル特徴量を数値に変換しなければなりません。まず、関数 convertvars を使用して、すべてのカテゴリカル入力変数の名前を格納した string 配列を指定することにより、カテゴリカル予測子を categorical に変換します。このデータセットには、"SensorCondition" と "ShaftCondition" という名前の 2 つのカテゴリカル特徴量があります。

categoricalInputNames = ["SensorCondition" "ShaftCondition"];
tbl = convertvars(tbl,categoricalInputNames,"categorical");

カテゴリカル入力変数をループ処理します。各変数について次を行います。

関数 onehotencode を使用して、categorical 値を one-hot 符号化ベクトルに変換する。
関数 addvars を使用して、one-hot ベクトルを table に追加する。対応する categorical データが含まれる列の後にベクトルを挿入するように指定する。
categorical データが含まれる対応する列を削除する。

for i = 1:numel(categoricalInputNames)
    name = categoricalInputNames(i);
    oh = onehotencode(tbl(:,name));
    tbl = addvars(tbl,oh,After=name);
    tbl(:,name) = [];
end

関数 splitvars を使用して、ベクトルを別々の列に分割します。

tbl = splitvars(tbl);

table の最初の数行を表示します。

head(tbl)

    SigMean     SigMedian    SigRMS    SigVar     SigPeak    SigPeak2Peak    SigSkewness    SigKurtosis    SigCrestFactor    SigMAD     SigRangeCumSum    SigCorrDimension    SigApproxEntropy    SigLyapExponent    PeakFreq    HighFreqPower    EnvPower    PeakSpecKurtosis    No Sensor Drift    Sensor Drift    No Shaft Wear    Shaft Wear    GearToothCondition
    ________    _________    ______    _______    _______    ____________    ___________    ___________    ______________    _______    ______________    ________________    ________________    _______________    ________    _____________    ________    ________________    _______________    ____________    _____________    __________    __________________

    -0.94876     -0.9722     1.3726    0.98387    0.81571       3.6314        -0.041525       2.2666           2.0514         0.8081        28562              1.1429             0.031581            79.931            0          6.75e-06       3.23e-07         162.13                0                1                1              0           No Tooth Fault  
    -0.97537    -0.98958     1.3937    0.99105    0.81571       3.6314        -0.023777       2.2598           2.0203        0.81017        29418              1.1362             0.037835            70.325            0          5.08e-08       9.16e-08         226.12                0                1                1              0           No Tooth Fault  
      1.0502      1.0267     1.4449    0.98491     2.8157       3.6314         -0.04162       2.2658           1.9487        0.80853        31710              1.1479             0.031565            125.19            0          6.74e-06       2.85e-07         162.13                0                1                0              1           No Tooth Fault  
      1.0227      1.0045     1.4288    0.99553     2.8157       3.6314        -0.016356       2.2483           1.9707        0.81324        30984              1.1472             0.032088             112.5            0          4.99e-06        2.4e-07         162.13                0                1                0              1           No Tooth Fault  
      1.0123      1.0024     1.4202    0.99233     2.8157       3.6314        -0.014701       2.2542           1.9826        0.81156        30661              1.1469              0.03287            108.86            0          3.62e-06       2.28e-07         230.39                0                1                0              1           No Tooth Fault  
      1.0275      1.0102     1.4338     1.0001     2.8157       3.6314         -0.02659       2.2439           1.9638        0.81589        31102              1.0985             0.033427            64.576            0          2.55e-06       1.65e-07         230.39                0                1                0              1           No Tooth Fault  
      1.0464      1.0275     1.4477     1.0011     2.8157       3.6314        -0.042849       2.2455           1.9449        0.81595        31665              1.1417             0.034159            98.838            0          1.73e-06       1.55e-07         230.39                0                1                0              1           No Tooth Fault  
      1.0459      1.0257     1.4402    0.98047     2.8157       3.6314        -0.035405       2.2757            1.955        0.80583        31554              1.1345               0.0353            44.223            0          1.11e-06       1.39e-07         230.39                0                1                0              1           No Tooth Fault

table からテストラベルを抽出します。

TTest = tbl{:,labelName};

学習済みネットワークを使用してテストデータのラベルを予測し、精度を計算します。学習に使用されるサイズと同じミニバッチサイズを指定します。

YTest = classify(net,tbl(:,1:end-1));

混同行列で予測を可視化します。

figure
confusionchart(TTest,YTest)

Figure contains an object of type ConfusionMatrixChart.

分類精度を計算します。精度は、ネットワークが正しく予測するラベルの比率です。

accuracy = mean(YTest == TTest)

accuracy = 0.9952

入力引数

すべて折りたたむ

`net` — 学習済みネットワーク
`SeriesNetwork` オブジェクト | `DAGNetwork` オブジェクト

学習済みネットワーク。SeriesNetwork または DAGNetwork オブジェクトとして指定します。事前学習済みのネットワークをインポートする (たとえば、関数 googlenet を使用する)、または trainNetwork を使用して独自のネットワークに学習させることによって、学習済みネットワークを取得できます。

`images` — イメージデータ
データストア | 数値配列 | table

イメージデータ。次のいずれかとして指定します。

データ型		説明	使用例
データストア	`ImageDatastore`	ディスクに保存されたイメージのデータストア	イメージのサイズがすべて等しい場合に、ディスクに保存されているイメージを使用して予測を行います。イメージのサイズが異なる場合は `AugmentedImageDatastore` オブジェクトを使用します。
	`AugmentedImageDatastore`	サイズ変更、回転、反転、せん断、平行移動を含む、ランダムなアフィン幾何学的変換を適用するデータストア	イメージのサイズが異なる場合に、ディスクに保存されているイメージを使用して予測を行います。
	`TransformedDatastore`	カスタム変換関数を使用して、基になるデータストアから読み取ったデータのバッチを変換するデータストア	`classify` でサポートされていない出力をもつデータストアを変換する。データストアの出力にカスタム変換を適用する。
	`CombinedDatastore`	2 つ以上の基になるデータストアからデータを読み取るデータストア	複数の入力をもつネットワークを使用して予測を行う。異なるデータソースから取得した予測子を結合する。
	カスタムミニバッチデータストア	データのミニバッチを返すカスタムデータストア	他のデータストアでサポートされていない形式のデータを使用して予測を行います。詳細は、カスタムミニバッチデータストアの開発を参照してください。
数値配列		数値配列として指定されたイメージ	メモリに収まり、なおかつサイズ変更などの追加の処理を必要としないデータを使用して予測を行います。
table		table として指定されたイメージ	table に格納されたデータを使用して予測を行います。

複数の入力をもつネットワークでデータストアを使用する場合、データストアは TransformedDatastore オブジェクトまたは CombinedDatastore オブジェクトでなければなりません。

ヒント

ビデオデータのようなイメージのシーケンスの場合、入力引数 sequences を使用します。

データストア

データストアは、イメージと応答のミニバッチを読み取ります。データストアは、メモリに収まらないデータがある場合や、入力データのサイズを変更したい場合に使用します。

以下のデータストアは、イメージデータ用の classify と直接互換性があります。

ImageDatastore
AugmentedImageDatastore
CombinedDatastore
TransformedDatastore
カスタムミニバッチデータストア。詳細は、カスタムミニバッチデータストアの開発を参照してください。

ヒント

イメージのサイズ変更を含む深層学習用のイメージの前処理を効率的に行うには、augmentedImageDatastore を使用します。ImageDatastore オブジェクトの ReadFcn オプションを使用しないでください。

ImageDatastore を使用すると、事前取得を使用して JPG または PNG イメージファイルのバッチ読み取りを行うことができます。ReadFcn オプションをカスタム関数に設定した場合、ImageDatastore は事前取得を行わないため、通常、速度が大幅に低下します。

関数 transform および combine を使用して、予測を行うための他の組み込みデータストアを使用できます。これらの関数は、データストアから読み取られたデータを、classify に必要な形式に変換できます。

データストア出力に必要な形式は、ネットワークアーキテクチャによって異なります。

ネットワークアーキテクチャデータストア出力出力の例

単一入力

ネットワークアーキテクチャ	データストア出力	出力の例
単一入力	table または cell 配列。最初の列は予測子を指定します。 table の要素は、スカラー、行ベクトルであるか、数値配列が格納された 1 行 1 列の cell 配列でなければなりません。カスタムデータストアは table を出力しなければなりません。	data = read(ds) data = 4×1 table Predictors __________________ {224×224×3 double} {224×224×3 double} {224×224×3 double} {224×224×3 double}
data = read(ds) data = 4×1 cell array {224×224×3 double} {224×224×3 double} {224×224×3 double} {224×224×3 double}
複数入力	少なくとも `numInputs` 個の列をもつ cell 配列。`numInputs` はネットワーク入力の数です。最初の `numInputs` 個の列は、各入力の予測子を指定します。入力の順序は、ネットワークの `InputNames` プロパティによって指定されます。	data = read(ds) data = 4×2 cell array {224×224×3 double} {128×128×3 double} {224×224×3 double} {128×128×3 double} {224×224×3 double} {128×128×3 double} {224×224×3 double} {128×128×3 double}

table または cell 配列。最初の列は予測子を指定します。

table の要素は、スカラー、行ベクトルであるか、数値配列が格納された 1 行 1 列の cell 配列でなければなりません。

カスタムデータストアは table を出力しなければなりません。

data = read(ds)

data =

  4×1 table

        Predictors    
    __________________

    {224×224×3 double}
    {224×224×3 double}
    {224×224×3 double}
    {224×224×3 double}

data = read(ds)

data =

  4×1 cell array

    {224×224×3 double}
    {224×224×3 double}
    {224×224×3 double}
    {224×224×3 double}

複数入力

少なくとも numInputs 個の列をもつ cell 配列。numInputs はネットワーク入力の数です。

最初の numInputs 個の列は、各入力の予測子を指定します。

入力の順序は、ネットワークの InputNames プロパティによって指定されます。

data = read(ds)

data =

  4×2 cell array

    {224×224×3 double}    {128×128×3 double}
    {224×224×3 double}    {128×128×3 double}
    {224×224×3 double}    {128×128×3 double}
    {224×224×3 double}    {128×128×3 double}

予測子の形式は、データのタイプによって異なります。

データ	形式
2 次元イメージ	h×w×c の数値配列。ここで、h、w、および c は、それぞれイメージの高さ、幅、およびチャネル数です。
3 次元イメージ	h×w×d×c の数値配列。ここで、h、w、d、および c は、それぞれイメージの高さ、幅、深さ、およびチャネル数です。

詳細については、深層学習用のデータストアを参照してください。

数値配列

メモリに収まり、なおかつ拡張などの追加の処理を必要としないデータの場合、イメージのデータセットを数値配列として指定できます。

数値配列のサイズと形状は、イメージデータのタイプによって異なります。

データ	形式
2 次元イメージ	h×w×c×N の数値配列。ここで、h、w、および c は、それぞれイメージの高さ、幅、およびチャネル数です。N はイメージの数です。
3 次元イメージ	h×w×d×c×N の数値配列。ここで、h、w、d、および c は、それぞれイメージの高さ、幅、深さ、およびチャネル数です。N はイメージの数です。

table

データストアまたは数値配列の代わりに、イメージを table で指定することもできます。

イメージを table で指定した場合、table の各行は観測値に対応します。

イメージ入力の場合、予測子は table の最初の列に格納し、次のいずれかとして指定しなければなりません。

イメージの絶対ファイルパスまたは相対ファイルパス。文字ベクトルとして指定します。
2 次元イメージを表す h×w×c の数値配列が格納された 1 行 1 列の cell 配列。ここで、h、w、および c は、それぞれイメージの高さ、幅、およびチャネル数に対応します。

ヒント

複素数値のデータをニューラルネットワークに入力するには、入力層の SplitComplexInputs オプションが 1 でなければなりません。

`sequences` — シーケンスデータまたは時系列データ
データストア | 数値配列の cell 配列 | 数値配列

シーケンスデータまたは時系列データ。次のいずれかとして指定します。

データ型		説明	使用例
データストア	`TransformedDatastore`	カスタム変換関数を使用して、基になるデータストアから読み取ったデータのバッチを変換するデータストア	`classify` でサポートされていない出力をもつデータストアを変換する。データストアの出力にカスタム変換を適用する。
	`CombinedDatastore`	2 つ以上の基になるデータストアからデータを読み取るデータストア	複数の入力をもつネットワークを使用して予測を行う。異なるデータソースから取得した予測子を結合する。
	カスタムミニバッチデータストア	データのミニバッチを返すカスタムデータストア	他のデータストアでサポートされていない形式のデータを使用して予測を行います。詳細は、カスタムミニバッチデータストアの開発を参照してください。
数値配列または cell 配列		数値配列として指定した、単一のシーケンス。または数値配列の cell 配列として指定した、シーケンスのデータセット	メモリに収まり、なおかつカスタム変換などの追加の処理を必要としないデータを使用して、予測を行います。

データストア

データストアは、シーケンスと応答のミニバッチを読み取ります。データストアは、データがメモリに収まらない場合や、データに変換を適用したい場合に使用します。

以下のデータストアは、シーケンスデータ用の classify と直接互換性があります。

CombinedDatastore
TransformedDatastore
カスタムミニバッチデータストア。詳細は、カスタムミニバッチデータストアの開発を参照してください。

関数 transform および combine を使用して、予測を行うための他の組み込みデータストアを使用できます。これらの関数は、データストアから読み取られたデータを、classify に必要な table または cell 配列形式に変換できます。たとえば、ArrayDatastore オブジェクトおよび TabularTextDatastore オブジェクトをそれぞれ使用して、インメモリ配列および CSV ファイルから読み取ったデータの変換と結合を行うことができます。

データストアは、table または cell 配列でデータを返さなければなりません。カスタムミニバッチデータストアは、table を出力しなければなりません。

データストア出力	出力の例
table	data = read(ds) data = 4×2 table Predictors __________________ {12×50 double} {12×50 double} {12×50 double} {12×50 double}
cell 配列	data = read(ds) data = 4×2 cell array {12×50 double} {12×50 double} {12×50 double} {12×50 double}

データストア出力

出力の例

table

data = read(ds)

data =

  4×2 table

        Predictors    
    __________________

    {12×50 double}
    {12×50 double}
    {12×50 double}
    {12×50 double}

cell 配列

data = read(ds)

data =

  4×2 cell array

    {12×50 double}
    {12×50 double}
    {12×50 double}
    {12×50 double}

予測子の形式は、データのタイプによって異なります。

データ	予測子の形式
ベクトルシーケンス	c 行 s 列の行列。ここで、c はシーケンスの特徴の数、s はシーケンス長です。
1 次元イメージシーケンス	h x c x s の配列。ここで、h および c はそれぞれイメージの高さおよびチャネル数に対応します。s はシーケンス長です。ミニバッチ内の各シーケンスは、同じシーケンス長でなければなりません。
2 次元イメージシーケンス	h x w x c x s の配列。ここで、h、w、および c はそれぞれイメージの高さ、幅、およびチャネル数に対応します。s はシーケンス長です。ミニバッチ内の各シーケンスは、同じシーケンス長でなければなりません。
3 次元イメージシーケンス	h x w x d x c x s の配列。ここで、h、w、d、および c は、それぞれイメージの高さ、幅、深さ、およびチャネル数に対応します。s はシーケンス長です。ミニバッチ内の各シーケンスは、同じシーケンス長でなければなりません。

予測子が table で返される場合、数値スカラーまたは数値行ベクトルが要素に含まれているか、数値配列が格納された 1 行 1 列の cell 配列が要素に含まれていなければなりません。

詳細については、深層学習用のデータストアを参照してください。

数値配列または cell 配列

メモリに収まり、なおかつカスタム変換などの追加の処理を必要としないデータの場合、単一のシーケンスを数値配列として指定するか、シーケンスのデータセットを数値配列の cell 配列として指定することができます。

cell 配列入力の場合、cell 配列は、数値配列から成る N 行 1 列の cell 配列でなければなりません。ここで、N は観測値の数です。シーケンスを表す数値配列のサイズと形状は、シーケンスデータのタイプによって異なります。

入力	説明
ベクトルシーケンス	c 行 s 列の行列。ここで、c はシーケンスの特徴の数、s はシーケンス長です。
1 次元イメージシーケンス	h×c×s の配列。ここで、h および c はそれぞれイメージの高さおよびチャネル数に対応します。s はシーケンス長です。
2 次元イメージシーケンス	h×w×c×s の配列。ここで、h、w、および c は、それぞれイメージの高さ、幅、およびチャネル数に対応します。s はシーケンス長です。
3 次元イメージシーケンス	h×w×d×c×s。ここで、h、w、d、および c は、それぞれ 3 次元イメージの高さ、幅、深さ、およびチャネル数に対応します。s はシーケンス長です。

ヒント

複素数値のデータをニューラルネットワークに入力するには、入力層の SplitComplexInputs オプションが 1 でなければなりません。

`features` — 特徴データ
データストア | 数値配列 | table

特徴データ。次のいずれかとして指定します。

データ型		説明	使用例
データストア	`TransformedDatastore`	カスタム変換関数を使用して、基になるデータストアから読み取ったデータのバッチを変換するデータストア	`classify` でサポートされていない出力をもつデータストアを変換する。データストアの出力にカスタム変換を適用する。
	`CombinedDatastore`	2 つ以上の基になるデータストアからデータを読み取るデータストア	複数の入力をもつネットワークを使用して予測を行う。異なるデータソースから取得した予測子を結合する。
	カスタムミニバッチデータストア	データのミニバッチを返すカスタムデータストア	他のデータストアでサポートされていない形式のデータを使用して予測を行います。詳細は、カスタムミニバッチデータストアの開発を参照してください。
table		table として指定された特徴データ	table に格納されたデータを使用して予測を行います。
数値配列		数値配列として指定された特徴データ	メモリに収まり、なおかつカスタム変換などの追加の処理を必要としないデータを使用して、予測を行います。

データストア

データストアは、特徴データと応答のミニバッチを読み取ります。データストアは、データがメモリに収まらない場合や、データに変換を適用したい場合に使用します。

以下のデータストアは、特徴データ用の classify と直接互換性があります。

CombinedDatastore
TransformedDatastore
カスタムミニバッチデータストア。詳細は、カスタムミニバッチデータストアの開発を参照してください。

関数 transform および combine を使用して、予測を行うための他の組み込みデータストアを使用できます。これらの関数は、データストアから読み取られたデータを、classify に必要な table または cell 配列形式に変換できます。詳細については、深層学習用のデータストアを参照してください。

複数の入力があるネットワークの場合、データストアは TransformedDatastore オブジェクトまたは CombinedDatastore オブジェクトでなければなりません。

データストアは、table または cell 配列でデータを返さなければなりません。カスタムミニバッチデータストアは、table を出力しなければなりません。データストア出力の形式は、ネットワークアーキテクチャによって異なります。

ネットワークアーキテクチャデータストア出力出力の例

単入力層

ネットワークアーキテクチャ	データストア出力	出力の例
単入力層	少なくとも 1 つの列をもつ table または cell 配列。最初の列は予測子を指定します。 table の要素は、スカラー、行ベクトルであるか、数値配列が格納された 1 行 1 列の cell 配列でなければなりません。カスタムミニバッチデータストアは、table を出力しなければなりません。	1 つの入力があるネットワークの table: data = read(ds) data = 4×2 table Predictors __________________ {24×1 double} {24×1 double} {24×1 double} {24×1 double}
1 つの入力があるネットワークの cell 配列: data = read(ds) data = 4×1 cell array {24×1 double} {24×1 double} {24×1 double} {24×1 double}
多入力層	少なくとも `numInputs` 個の列をもつ cell 配列。`numInputs` はネットワーク入力の数です。最初の `numInputs` 個の列は、各入力の予測子を指定します。入力の順序は、ネットワークの `InputNames` プロパティによって指定されます。	2 つの入力があるネットワークの cell 配列: data = read(ds) data = 4×3 cell array {24×1 double} {28×1 double} {24×1 double} {28×1 double} {24×1 double} {28×1 double} {24×1 double} {28×1 double}

少なくとも 1 つの列をもつ table または cell 配列。最初の列は予測子を指定します。

table の要素は、スカラー、行ベクトルであるか、数値配列が格納された 1 行 1 列の cell 配列でなければなりません。

カスタムミニバッチデータストアは、table を出力しなければなりません。

1 つの入力があるネットワークの table:

data = read(ds)

data =

  4×2 table

        Predictors    
    __________________

    {24×1 double}
    {24×1 double}
    {24×1 double}
    {24×1 double}

1 つの入力があるネットワークの cell 配列:

data = read(ds)

data =

  4×1 cell array

    {24×1 double}
    {24×1 double}
    {24×1 double}
    {24×1 double}

多入力層

少なくとも numInputs 個の列をもつ cell 配列。numInputs はネットワーク入力の数です。

最初の numInputs 個の列は、各入力の予測子を指定します。

入力の順序は、ネットワークの InputNames プロパティによって指定されます。

2 つの入力があるネットワークの cell 配列:

data = read(ds)

data =

  4×3 cell array

    {24×1 double}    {28×1 double}
    {24×1 double}    {28×1 double}
    {24×1 double}    {28×1 double}
    {24×1 double}    {28×1 double}

予測子は、c 行 1 列の列ベクトルでなければなりません。ここで、c は特徴の数です。

詳細については、深層学習用のデータストアを参照してください。

table

メモリに収まり、なおかつカスタム変換などの追加の処理を必要としない特徴データの場合、特徴データと応答を table として指定できます。

table の各行は観測値に対応します。table の列での予測子の配置は、タスクのタイプによって異なります。

タスク	予測子
特徴分類	1 つ以上の列でスカラーとして指定された特徴。

数値配列

メモリに収まり、なおかつカスタム変換などの追加の処理を必要としない特徴データの場合、特徴データを数値配列として指定できます。

数値配列は、N 行 numFeatures 列の数値配列でなければなりません。ここで、N は観測値の数、numFeatures は入力データの特徴の数です。

ヒント

複素数値のデータをニューラルネットワークに入力するには、入力層の SplitComplexInputs オプションが 1 でなければなりません。

`X1,...,XN` — 複数の入力をもつネットワークの数値配列または cell 配列
数値配列 | cell 配列

複数の入力をもつネットワークの数値配列または cell 配列。

イメージ、シーケンス、および特徴の予測子入力の場合、予測子の形式は、images、sequences、または features のそれぞれの引数の説明に記載されている形式と一致しなければなりません。

複数の入力をもつネットワークに学習させる方法を説明する例については、イメージデータおよび特徴データにおけるネットワークの学習を参照してください。

複素数値のデータをニューラルネットワークに入力するには、入力層の SplitComplexInputs オプションが 1 でなければなりません。

`mixed` — 混在データ
`TransformedDatastore` | `CombinedDatastore` | カスタムミニバッチデータストア

混在データ。次のいずれかとして指定します。

データ型説明使用例

データ型	説明	使用例
`TransformedDatastore`	カスタム変換関数を使用して、基になるデータストアから読み取ったデータのバッチを変換するデータストア	複数の入力をもつネットワークを使用して予測を行う。 `classify` でサポートされていないデータストアの出力を、必要な形式に変換する。データストアの出力にカスタム変換を適用する。
`CombinedDatastore`	2 つ以上の基になるデータストアからデータを読み取るデータストア	複数の入力をもつネットワークを使用して予測を行う。異なるデータソースから取得した予測子を結合する。
カスタムミニバッチデータストア	データのミニバッチを返すカスタムデータストア	他のデータストアでサポートされていない形式のデータを使用して予測を行います。詳細は、カスタムミニバッチデータストアの開発を参照してください。

TransformedDatastore

カスタム変換関数を使用して、基になるデータストアから読み取ったデータのバッチを変換するデータストア

複数の入力をもつネットワークを使用して予測を行う。
classify でサポートされていないデータストアの出力を、必要な形式に変換する。
データストアの出力にカスタム変換を適用する。

CombinedDatastore

2 つ以上の基になるデータストアからデータを読み取るデータストア

複数の入力をもつネットワークを使用して予測を行う。
異なるデータソースから取得した予測子を結合する。

カスタムミニバッチデータストア

データのミニバッチを返すカスタムデータストア

他のデータストアでサポートされていない形式のデータを使用して予測を行います。

詳細は、カスタムミニバッチデータストアの開発を参照してください。

データストア出力出力の例

データストア出力	出力の例
`numInputs` 列の cell 配列。`numInputs` はネットワーク入力の数です。入力の順序は、ネットワークの `InputNames` プロパティによって指定されます。	data = read(ds) data = 4×3 cell array {24×1 double} {28×1 double} {24×1 double} {28×1 double} {24×1 double} {28×1 double} {24×1 double} {28×1 double}

numInputs 列の cell 配列。numInputs はネットワーク入力の数です。

入力の順序は、ネットワークの InputNames プロパティによって指定されます。

data = read(ds)

data =

  4×3 cell array

    {24×1 double}    {28×1 double}
    {24×1 double}    {28×1 double}
    {24×1 double}    {28×1 double}
    {24×1 double}    {28×1 double}

ヒント

数値配列をデータストアに変換するには、arrayDatastore を使用します。

名前と値の引数

オプションの引数のペアを Name1=Value1,...,NameN=ValueN として指定します。ここで、Name は引数名で、Value は対応する値です。名前と値の引数は他の引数の後に指定しなければなりませんが、ペアの順序は重要ではありません。

R2021a より前では、コンマを使用して名前と値をそれぞれ区切り、Name を引用符で囲みます。

例: MiniBatchSize=256 はミニバッチのサイズを 256 に指定します。

`MiniBatchSize` — ミニバッチのサイズ
`128` (既定値) | 正の整数

予測に使用するミニバッチのサイズ。正の整数として指定します。ミニバッチのサイズが大きくなるとより多くのメモリが必要になりますが、予測時間が短縮される可能性があります。

`Acceleration` — パフォーマンスの最適化
`"auto"` (既定値) | `"mex"` | `"none"`

パフォーマンスの最適化。次のいずれかとして指定します。

"auto" — 入力ネットワークとハードウェアリソースに適した最適化の回数を自動的に適用します。
"mex" — MEX 関数をコンパイルして実行します。このオプションは GPU の使用時にのみ利用できます。GPU を使用するには Parallel Computing Toolbox ライセンスと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、GPU 計算の要件 (Parallel Computing Toolbox)を参照してください。Parallel Computing Toolbox または適切な GPU が利用できない場合、エラーが返されます。
"none" — すべての高速化を無効にします。

Acceleration が "auto" の場合、MATLAB^® は互換性のある最適化を複数適用し、MEX 関数を生成しません。

"auto" オプションおよび "mex" オプションは、パフォーマンス上のメリットがありますが、初期実行時間が長くなります。互換性のあるパラメーターを使用した後続の呼び出しは、より高速になります。新しい入力データを使用して関数を複数回呼び出す場合は、パフォーマンスの最適化を使用してください。

"mex" オプションは、関数の呼び出しに使用されたネットワークとパラメーターに基づいて MEX 関数を生成し、実行します。複数の MEX 関数を一度に 1 つのネットワークに関連付けることができます。ネットワークの変数をクリアすると、そのネットワークに関連付けられている MEX 関数もクリアされます。

"mex" オプションは、サポートされている層 (GPU Coder)のページにリストされている層 (sequenceInputLayer オブジェクトを除く) を含むネットワークをサポートしています。

"mex" オプションは、単一の GPU の使用時に利用できます。

"mex" オプションを使用するには、C/C++ コンパイラがインストールされ、GPU Coder™ Interface for Deep Learning サポートパッケージがなければなりません。MATLAB でアドオンエクスプローラーを使用してサポートパッケージをインストールします。設定手順については、MEX の設定 (GPU Coder)を参照してください。GPU Coder は不要です。

量子化されたネットワークでは、"mex" オプションには、Compute Capability 6.1、6.3、またはそれ以上の CUDA^® 対応 NVIDIA^® GPU が必要です。

"mex" オプションを使用する場合、MATLAB Compiler™ はネットワークの展開をサポートしません。

`ExecutionEnvironment` — ハードウェアリソース
`"auto"` (既定値) | `"gpu"` | `"cpu"` | `"multi-gpu"` | `"parallel"`

ハードウェアリソース。次のいずれかとして指定します。

"auto" — 利用可能な場合は GPU を使用し、そうでない場合は CPU を使用します。
"gpu" — GPU を使用します。GPU を使用するには Parallel Computing Toolbox ライセンスと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、GPU 計算の要件 (Parallel Computing Toolbox)を参照してください。Parallel Computing Toolbox または適切な GPU が利用できない場合、エラーが返されます。
"cpu" — CPU を使用します。
"multi-gpu" — 既定のクラスタープロファイルに基づいてローカルの並列プールを使用して、1 つのマシンで複数の GPU を使用します。現在の並列プールがない場合、使用可能な GPU の数と等しいプールサイズの並列プールが起動されます。
"parallel" — 既定のクラスタープロファイルに基づいてローカルまたはリモートの並列プールを使用します。現在の並列プールがない場合、既定のクラスタープロファイルを使用して 1 つのプールが起動されます。プールから GPU にアクセスできる場合、固有の GPU を持つワーカーのみが計算を実行します。プールに GPU がない場合、代わりに使用可能なすべての CPU ワーカーで計算が実行されます。

さまざまな実行環境をどのような場合に使用するかの詳細は、Scale Up Deep Learning in Parallel, on GPUs, and in the Cloudを参照してください。

"gpu"、"multi-gpu"、および "parallel" のオプションを使用するには、Parallel Computing Toolbox が必要です。深層学習に GPU を使用するには、サポートされている GPU デバイスもなければなりません。サポートされているデバイスについては、GPU 計算の要件 (Parallel Computing Toolbox)を参照してください。これらのいずれかのオプションの選択時に Parallel Computing Toolbox または適切な GPU を利用できない場合、エラーが返されます。

ExecutionEnvironment を "multi-gpu" または "parallel" に設定し、再帰層を含むネットワークを使用して並列に予測を行うには、SequenceLength オプションを "shortest" または "longest" に設定しなければなりません。

State パラメーターをもつカスタム層を含むネットワークは、並列の予測をサポートしていません。

`SequenceLength` — シーケンスのパディングまたは切り捨てを行うオプション
`"longest"` (既定値) | `"shortest"` | 正の整数

入力シーケンスのパディング、切り捨て、または分割を行うオプション。次のいずれかに指定します。

"longest" — 各ミニバッチで、最長のシーケンスと同じ長さになるようにシーケンスのパディングを行います。このオプションを使用するとデータは破棄されませんが、パディングによってニューラルネットワークにノイズが生じることがあります。
"shortest" — 各ミニバッチで、最短のシーケンスと同じ長さになるようにシーケンスの切り捨てを行います。このオプションを使用するとパディングは追加されませんが、データが破棄されます。
正の整数 — 各ミニバッチについて、そのミニバッチ内で最も長いシーケンスに合わせてシーケンスをパディングした後、指定した長さのより小さいシーケンスに分割します。分割が発生すると、追加のミニバッチが作成されます。指定したシーケンス長によってデータのシーケンスを均等に分割できない場合、最後のシーケンスを含むミニバッチの長さは指定した長さより短くなります。シーケンス全体がメモリに収まらない場合は、このオプションを使用します。または、MiniBatchSize オプションをより小さい値に設定して、ミニバッチごとのシーケンス数を減らしてみます。
- このオプションは関数 trainNetwork のみをサポートします。

入力シーケンスのパディング、切り捨て、および分割の効果の詳細は、シーケンスのパディング、切り捨て、および分割を参照してください。

`SequencePaddingDirection` — パディングまたは切り捨ての方向
`"right"` (既定値) | `"left"`

パディングまたは切り捨ての方向。次のいずれかに指定します。

"right" — シーケンスの右側に対してパディングまたは切り捨てを行います。シーケンスは同じタイムステップで始まり、シーケンスの末尾に対して切り捨てまたはパディングの追加が行われます。
"left" — シーケンスの左側に対してパディングまたは切り捨てを行います。シーケンスが同じタイムステップで終わるように、シーケンスの先頭に対して切り捨てまたはパディングの追加が行われます。

再帰層は 1 タイムステップずつシーケンスデータを処理するため、再帰層の OutputMode プロパティが "last" の場合、最後のタイムステップでパディングを行うと層の出力に悪影響を与える可能性があります。シーケンスデータの左側に対してパディングまたは切り捨てを行うには、SequencePaddingDirection オプションを "left" に設定します。

sequence-to-sequence ニューラルネットワークの場合 (各再帰層について OutputMode プロパティが "sequence" である場合)、最初のタイムステップでパディングを行うと、それ以前のタイムステップの予測に悪影響を与える可能性があります。シーケンスの右側に対してパディングまたは切り捨てを行うには、SequencePaddingDirection オプションを "right" に設定します。

入力シーケンスのパディング、切り捨て、および分割の効果の詳細は、シーケンスのパディング、切り捨て、および分割を参照してください。

`SequencePaddingValue` — シーケンスをパディングする値
`0` (既定値) | スカラー

入力シーケンスをパディングする値。スカラーとして指定します。

ニューラルネットワーク全体にエラーが伝播される可能性があるため、NaN でシーケンスをパディングしないでください。

出力引数

すべて折りたたむ

`Y` — 予測クラスラベル
categorical ベクトル | categorical ベクトルの cell 配列

予測クラスラベル。categorical ベクトル、または categorical ベクトルの cell 配列として返されます。Y の形式は、タスクのタイプによって異なります。

次の表は、分類タスクの形式について説明しています。

タスク形式

イメージ分類または特徴分類ラベルの N 行 1 列の categorical ベクトル。N は観測値の数です。

sequence-to-label 分類

sequence-to-sequence 分類

タスク	形式
イメージ分類または特徴分類	ラベルの N 行 1 列の categorical ベクトル。N は観測値の数です。
sequence-to-label 分類
sequence-to-sequence 分類	ラベルのカテゴリカルシーケンスの N 行 1 列の cell 配列。N は観測値の数です。`SequenceLength` オプションが各ミニバッチに個別に適用された後は、各シーケンスに、対応する入力シーケンスと同じ数のタイムステップが含まれます。観測値が 1 つの sequence-to-sequence 分類タスクでは、`sequences` を行列にすることができます。この場合、`Y` はラベルのカテゴリカルシーケンスです。

ラベルのカテゴリカルシーケンスの N 行 1 列の cell 配列。N は観測値の数です。SequenceLength オプションが各ミニバッチに個別に適用された後は、各シーケンスに、対応する入力シーケンスと同じ数のタイムステップが含まれます。

観測値が 1 つの sequence-to-sequence 分類タスクでは、sequences を行列にすることができます。この場合、Y はラベルのカテゴリカルシーケンスです。

`scores` — 予測クラススコア
行列 | 行列の cell 配列

予測スコアまたは応答。行列、または行列の cell 配列として返されます。scores の形式は、タスクのタイプによって異なります。

次の表は、scores の形式について説明しています。

タスク	形式
イメージ分類	N 行 K 列の行列。N は観測値の数、K はクラスの数です。
sequence-to-label 分類
特徴分類
sequence-to-sequence 分類	行列の N 行 1 列の cell 配列。N は観測値の数です。シーケンスは K 行の行列で、K はクラスの数です。`SequenceLength` オプションが各ミニバッチに個別に適用された後は、各シーケンスに、対応する入力シーケンスと同じ数のタイムステップが含まれます。

観測値が 1 つの sequence-to-sequence 分類タスクでは、sequences を行列にすることができます。この場合、scores は、予測クラススコアの行列です。

分類スコアを調べる例については、深層学習を使用した Web カメライメージの分類を参照してください。

アルゴリズム

すべて折りたたむ

浮動小数点演算

関数 trainnet または trainNetwork を使用してニューラルネットワークに学習させる場合や、DAGNetwork オブジェクトおよび SeriesNetwork オブジェクトと共に予測関数または検証関数を使用する場合、ソフトウェアは単精度浮動小数点演算を使用して、これらの計算を実行します。予測および検証のための関数には、predict、classify、および activations があります。CPU と GPU の両方を使用してニューラルネットワークに学習させる場合、単精度演算が使用されます。

再現性

最高のパフォーマンスを提供するために、GPU を使用した MATLAB での深層学習は確定的であることを保証しません。ネットワークアーキテクチャによっては、GPU を使用して 2 つの同一のネットワークに学習させたり、同じネットワークとデータを使用して 2 つの予測を行ったりする場合に、ある条件下で異なる結果が得られることがあります。

代替方法

複数の出力層をもつネットワークを使用してデータを分類するには、関数 predict を使用し、ReturnCategorical オプションを 1 (true) に設定します。

予測された分類スコアを計算するために、関数 predict を使用することもできます。

ネットワーク層から活性化を計算するには、関数 activations を使用します。

LSTM ネットワークなどの再帰型ネットワークでは、classifyAndUpdateState および predictAndUpdateState を使用してネットワークの状態の予測および更新を実行できます。

参照

[1] Kudo, Mineichi, Jun Toyama, and Masaru Shimbo. “Multidimensional Curve Classification Using Passing-through Regions.” Pattern Recognition Letters 20, no. 11–13 (November 1999): 1103–11. https://doi.org/10.1016/S0167-8655(99)00077-X.

[2] UCI Machine Learning Repository: Japanese Vowels Dataset. https://archive.ics.uci.edu/ml/datasets/Japanese+Vowels.

拡張機能

C/C++ コード生成
MATLAB® Coder™ を使用して C および C++ コードを生成します。

使用上の注意および制限:

C++ コード生成は、以下の構文をサポートします。
- [Y,scores] = classify(net,images) (ここで、images は数値配列)
- [Y,scores] = classify(net,sequences) (ここで、sequences は cell 配列)
- [Y,scores] = classify(net,features) (ここで、features は数値配列)
- [Y,scores] = classify(__,Name=Value) (前述の構文のいずれかを使用。)
回帰ネットワークおよび複数の出力があるネットワークについては、関数 classify の C++ コード生成はサポートされていません。
ベクトルシーケンス入力の場合、特徴の数はコード生成時に定数でなければなりません。シーケンスの長さは可変サイズにできます。
イメージシーケンス入力の場合、高さ、幅、およびチャネル数は、コード生成時に定数でなければなりません。
コード生成では、名前と値のペアの引数 MiniBatchSize、SequenceLength、SequencePaddingDirection、および SequencePaddingValue のみがサポートされています。すべての名前と値のペアはコンパイル時の定数でなければなりません。
コード生成では、名前と値のペア SequenceLength のオプションとして "longest" と "shortest" のみがサポートされています。
GCC C/C++ コンパイラのバージョン 8.2 以降を使用している場合、-Wstringop-overflow の警告が表示されることがあります。
Intel^® MKL-DNN ターゲット用のコード生成では、SequenceLength="longest"、SequencePaddingDirection="left"、および SequencePaddingValue=0 の名前と値の引数の組み合わせがサポートされません。

GPU コード生成
GPU Coder™ を使用して NVIDIA® GPU のための CUDA® コードを生成します。

使用上の注意および制限:

自動並列サポート
Parallel Computing Toolbox™ を使用して自動的に並列計算を実行することで、コードを高速化します。

計算を並列実行するには、ExecutionEnvironment オプションを "multi-gpu" または "parallel" に設定します。

詳細は、Scale Up Deep Learning in Parallel, on GPUs, and in the Cloudを参照してください。

GPU 配列
Parallel Computing Toolbox™ を使用してグラフィックス処理装置 (GPU) 上で実行することにより、コードを高速化します。

入力データが以下の場合、ExecutionEnvironment オプションは "auto" または "gpu" でなければなりません。
- gpuArray
- gpuArray オブジェクトを含む cell 配列
- gpuArray オブジェクトを含む table
- gpuArray オブジェクトを含む cell 配列を出力するデータストア
- gpuArray オブジェクトを含む table を出力するデータストア

詳細については、GPU での MATLAB 関数の実行 (Parallel Computing Toolbox)を参照してください。

バージョン履歴

R2016a で導入

すべて展開する

R2022b: `SequenceLength` オプションを整数として指定した場合、予測関数は、分割を行う前に最も長いシーケンスに合わせてミニバッチをパディングする

R2022b 以降、関数 predict、classify、predictAndUpdateState、classifyAndUpdateState、および activations を使用してシーケンスデータで予測を行うときに、SequenceLength オプションが整数である場合、各ミニバッチ内で最も長いシーケンスに合わせてシーケンスがパディングされた後、指定したシーケンス長でシーケンスが分割されてミニバッチが作成されます。SequenceLength によってミニバッチのシーケンスを均等に分割できない場合、最後に分割されたミニバッチの長さは SequenceLength より短くなります。この動作によって、パディング値しか含まれないタイムステップが予測に影響するのを防ぐことができます。

以前のリリースでは、SequenceLength の倍数に最も近く、かつミニバッチ長以上の長さとなるように、シーケンスのミニバッチをパディングしてから、データが分割されていました。この動作を再現するには、ミニバッチの長さが SequenceLength の適切な倍数となるように、入力データを手動でパディングします。sequence-to-sequence のワークフローでは、さらに、パディング値に対応するタイムステップを出力から手動で削除しなければならない場合があります。

参考

predict | activations | classifyAndUpdateState | predictAndUpdateState

classify

構文

説明

例

学習済みの畳み込みニューラル ネットワークを使用したイメージの分類

学習済み LSTM ネットワークを使用したシーケンスの分類

学習済みネットワークを使用した特徴データの分類

入力引数

net — 学習済みネットワーク SeriesNetwork オブジェクト | DAGNetwork オブジェクト

images — イメージ データ データストア | 数値配列 | table

データストア

数値配列

table

sequences — シーケンス データまたは時系列データ データストア | 数値配列の cell 配列 | 数値配列

データストア

数値配列または cell 配列

features — 特徴データ データストア | 数値配列 | table

データストア

table

数値配列

X1,...,XN — 複数の入力をもつネットワークの数値配列または cell 配列 数値配列 | cell 配列

mixed — 混在データ TransformedDatastore | CombinedDatastore | カスタム ミニバッチ データストア

名前と値の引数

MiniBatchSize — ミニバッチのサイズ 128 (既定値) | 正の整数

Acceleration — パフォーマンスの最適化 "auto" (既定値) | "mex" | "none"

ExecutionEnvironment — ハードウェア リソース "auto" (既定値) | "gpu" | "cpu" | "multi-gpu" | "parallel"

SequenceLength — シーケンスのパディングまたは切り捨てを行うオプション "longest" (既定値) | "shortest" | 正の整数

SequencePaddingDirection — パディングまたは切り捨ての方向 "right" (既定値) | "left"

SequencePaddingValue — シーケンスをパディングする値 0 (既定値) | スカラー

出力引数

Y — 予測クラス ラベル categorical ベクトル | categorical ベクトルの cell 配列

scores — 予測クラス スコア 行列 | 行列の cell 配列

アルゴリズム

浮動小数点演算

再現性

代替方法

参照

拡張機能

C/C++ コード生成 MATLAB® Coder™ を使用して C および C++ コードを生成します。

GPU コード生成 GPU Coder™ を使用して NVIDIA® GPU のための CUDA® コードを生成します。

自動並列サポート Parallel Computing Toolbox™ を使用して自動的に並列計算を実行することで、コードを高速化します。

GPU 配列 Parallel Computing Toolbox™ を使用してグラフィックス処理装置 (GPU) 上で実行することにより、コードを高速化します。

バージョン履歴

R2022b: SequenceLength オプションを整数として指定した場合、予測関数は、分割を行う前に最も長いシーケンスに合わせてミニバッチをパディングする

参考

トピック

学習済みの畳み込みニューラルネットワークを使用したイメージの分類

`net` — 学習済みネットワーク
`SeriesNetwork` オブジェクト | `DAGNetwork` オブジェクト

`images` — イメージデータ
データストア | 数値配列 | table

`sequences` — シーケンスデータまたは時系列データ
データストア | 数値配列の cell 配列 | 数値配列

`features` — 特徴データ
データストア | 数値配列 | table

`X1,...,XN` — 複数の入力をもつネットワークの数値配列または cell 配列
数値配列 | cell 配列

`mixed` — 混在データ
`TransformedDatastore` | `CombinedDatastore` | カスタムミニバッチデータストア

`MiniBatchSize` — ミニバッチのサイズ
`128` (既定値) | 正の整数

`Acceleration` — パフォーマンスの最適化
`"auto"` (既定値) | `"mex"` | `"none"`

`ExecutionEnvironment` — ハードウェアリソース
`"auto"` (既定値) | `"gpu"` | `"cpu"` | `"multi-gpu"` | `"parallel"`

`SequenceLength` — シーケンスのパディングまたは切り捨てを行うオプション
`"longest"` (既定値) | `"shortest"` | 正の整数

`SequencePaddingDirection` — パディングまたは切り捨ての方向
`"right"` (既定値) | `"left"`

`SequencePaddingValue` — シーケンスをパディングする値
`0` (既定値) | スカラー

`Y` — 予測クラスラベル
categorical ベクトル | categorical ベクトルの cell 配列

`scores` — 予測クラススコア
行列 | 行列の cell 配列

C/C++ コード生成
MATLAB® Coder™ を使用して C および C++ コードを生成します。

GPU コード生成
GPU Coder™ を使用して NVIDIA® GPU のための CUDA® コードを生成します。

自動並列サポート
Parallel Computing Toolbox™ を使用して自動的に並列計算を実行することで、コードを高速化します。

GPU 配列
Parallel Computing Toolbox™ を使用してグラフィックス処理装置 (GPU) 上で実行することにより、コードを高速化します。

R2022b: `SequenceLength` オプションを整数として指定した場合、予測関数は、分割を行う前に最も長いシーケンスに合わせてミニバッチをパディングする