最新のリリースでは、このページがまだ翻訳されていません。 このページの最新版は英語でご覧になれます。
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
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™ および Compute Capability 3.0 以上の CUDA® 対応 NVIDIA® GPU が必要です。名前と値のペアの引数 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、predict
を使用して、'ReturnCategorial'
オプションを true
に設定します。
[
は、1 つ以上の名前と値のペアの引数によって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。YPred
,scores
]= classify(___,Name,Value
)
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、異なる予測値が得られることがあります。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'
および 'SequenceLength'
オプションを使用します。
Deep Learning Toolbox™ に含まれる深層学習における学習、予測、検証用のすべての関数は、単精度浮動小数点演算を使用して計算を実行します。深層学習用の関数には trainNetwork
、predict
、classify
、activations
などがあります。CPU と GPU の両方を使用して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。
複数の出力があるネットワークの場合、predict
を使用して、'ReturnCategorial'
オプションを true
に設定します。
predict
を使用して学習済みネットワークから予測スコアを計算できます。
activations
を使用してネットワーク層から活性化を計算することもできます。
sequence-to-label および sequence-to-sequence 分類ネットワークでは、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。
[1] M. Kudo, J. Toyama, and M. Shimbo. "Multidimensional Curve Classification Using Passing-Through Regions." Pattern Recognition Letters. Vol. 20, No. 11–13, pages 1103–1111.
[2] UCI Machine Learning Repository: Japanese Vowels Dataset. https://archive.ics.uci.edu/ml/datasets/Japanese+Vowels