minibatchpredict

ミニバッチニューラルネットワーク予測

R2024a 以降

ページ内をすべて折りたたむ

構文

[Y1,...,YM] = minibatchpredict(net,images)

[Y1,...,YM] = minibatchpredict(net,sequences)

[Y1,...,YM] = minibatchpredict(net,features)

[Y1,...,YM] = minibatchpredict(net,data)

[Y1,...,YM] = minibatchpredict(net,X1,...,XN)

[Y1,...,YM] = minibatchpredict(___,Name=Value)

説明

[Y1,...,YM] = minibatchpredict(net,images) は、指定されたイメージのミニバッチをループ処理してニューラルネットワークの予測を行います。ここで、M はネットワーク出力の数です。

例

[Y1,...,YM] = minibatchpredict(net,sequences) は、指定されたシーケンスのミニバッチをループ処理してニューラルネットワークの予測を行います。

[Y1,...,YM] = minibatchpredict(net,features) は、指定された特徴または表形式データのミニバッチをループ処理してニューラルネットワークの予測を行います。

[Y1,...,YM] = minibatchpredict(net,data) は、他のレイアウトまたはデータの組み合わせから成るミニバッチをループ処理してニューラルネットワークの予測を行います。

[Y1,...,YM] = minibatchpredict(net,X1,...,XN) は、指定されたインメモリデータを使用して、複数の入力をもつネットワークのニューラルネットワーク予測を行います。

[Y1,...,YM] = minibatchpredict(___,Name=Value) は、1 つ以上の名前と値の引数を使用して追加オプションを指定します。たとえば、MiniBatchSize=32 は、サイズ 32 のミニバッチをループ処理して予測を行います。

例

すべて折りたたむ

`dlnetwork` オブジェクトを使用した予測の実行

ライブスクリプトを開く

この例では、ミニバッチをループ処理することにより、dlnetwork オブジェクトを使用して予測を行う方法を示します。

データセットが大きい場合、またはメモリが限られたハードウェアで予測を行う場合、関数 minibatchpredict を使用し、データのミニバッチをループ処理して予測を行います。

dlnetwork オブジェクトの読み込み

学習済みの dlnetwork オブジェクトおよび対応するクラス名をワークスペースに読み込みます。このニューラルネットワークには 1 つの入力と 2 つの出力があります。手書きの数字のイメージを入力として受け取り、数字のラベルと回転角度を予測します。

load dlnetDigits

予測用データの読み込み

予測用の数字テストデータを読み込みます。

load DigitsDataTest

クラス名を表示します。

classNames

classNames = 10×1 cell
    {'0'}
    {'1'}
    {'2'}
    {'3'}
    {'4'}
    {'5'}
    {'6'}
    {'7'}
    {'8'}
    {'9'}

いくつかのイメージと、それに対応するラベルと回転角度を表示します。

numObservations = size(XTest,4);
numPlots = 9;
idx = randperm(numObservations,numPlots);

figure
for i = 1:numPlots
    nexttile(i)
    I = XTest(:,:,:,idx(i));
    label = labelsTest(idx(i));
    imshow(I)
    title("Label: " + string(label) + newline + "Angle: " + anglesTest(idx(i)))
end

予測の実行

minibatchpredict関数を使用して予測を行い、scores2label関数を使用して分類スコアをラベルに変換します。既定では、関数 minibatchpredict は利用可能な GPU がある場合にそれを使用します。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の詳細については、GPU 計算の要件 (Parallel Computing Toolbox)を参照してください。そうでない場合、関数は CPU を使用します。実行環境を手動で選択するには、minibatchpredict 関数の ExecutionEnvironment 引数を使用します。

[scoresTest,Y2Test] = minibatchpredict(net,XTest);
Y1Test = scores2label(scoresTest,classNames);

予測の一部を可視化します。

idx = randperm(numObservations,numPlots);

figure
for i = 1:numPlots
    nexttile(i)
    I = XTest(:,:,:,idx(i));
    label = Y1Test(idx(i));
    imshow(I)
    title("Label: " + string(label) + newline + "Angle: " + Y2Test(idx(i)))
end

入力引数

すべて折りたたむ

`net` — ニューラルネットワーク
`dlnetwork` オブジェクト

ニューラルネットワーク。dlnetwork オブジェクトとして指定します。

`images` — イメージデータ
数値配列 | `dlarray` オブジェクト | データストア | `minibatchqueue` オブジェクト | categorical 配列 (R2025a 以降)

イメージデータ。数値配列、categorical 配列、dlarray オブジェクト、データストア、または minibatchqueue オブジェクトとして指定します。

ヒント

ビデオデータなどのイメージのシーケンスの場合、代わりに sequences 入力引数を使用します。

メモリに収まり、追加の処理を必要としないデータがある場合、入力データを数値配列として指定するのが通常最も簡単なオプションです。システムに保存されているイメージファイルを使用して予測を行う場合、または追加の処理を適用する場合、データストアが通常最も簡単なオプションです。

ヒント

ニューラルネットワークには、特定のレイアウトをもつ入力データが必要です。たとえば、イメージ分類ネットワークは通常、h×w×c の数値配列のイメージ表現を必要とします。ここで、h、w、c はそれぞれイメージの高さ、幅、チャネル数です。ニューラルネットワークの入力層では、通常、必要とされるデータレイアウトが指定されています。

ほとんどのデータストアと関数は、ネットワークで必要とされるレイアウトでデータを返します。データのレイアウトが異なる場合、名前と値の引数 InputDataFormats を使用するか、形式を整えた dlarray オブジェクトとして入力データを指定することによって、レイアウトを指定します。通常、名前と値の引数 InputDataFormats を指定する方が、入力データのレイアウトを手動で調整するよりも簡単です。

入力層をもたないニューラルネットワークの場合、名前と値の引数 InputDataFormats または形式を整えた dlarray オブジェクトを使用しなければなりません。

詳細については、深層学習のデータ形式を参照してください。

数値配列または `dlarray` オブジェクト

メモリに収まり、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または dlarray オブジェクトとして指定できます。

数値配列と形式を整えていない dlarray オブジェクトのレイアウトは、イメージデータの種類によって異なり、InputDataFormats 引数と一致していなければなりません。

ほとんどのネットワークでは、次のレイアウトのイメージデータが必要です。

データレイアウト

2 次元イメージ

データ	レイアウト
2 次元イメージ	h×w×c×N 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、およびチャネル数です。N はイメージの数です。このレイアウトのデータは、`"SSCB"` (spatial、spatial、channel、batch) のデータ形式になります。
3 次元イメージ	h×w×d×c×N 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、およびチャネル数です。N はイメージの数です。このレイアウトのデータは、`"SSSCB"` (spatial、spatial、spatial、channel、batch) のデータ形式になります。

h×w×c×N 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、およびチャネル数です。N はイメージの数です。

このレイアウトのデータは、"SSCB" (spatial、spatial、channel、batch) のデータ形式になります。

3 次元イメージ

h×w×d×c×N 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、およびチャネル数です。N はイメージの数です。

このレイアウトのデータは、"SSSCB" (spatial、spatial、spatial、channel、batch) のデータ形式になります。

異なるレイアウトのデータの場合は、InputDataFormats 引数を使用してデータのレイアウトが異なることを示すか、形式を整えた dlarray オブジェクトを代わりに使用します。詳細については、深層学習のデータ形式を参照してください。

categorical 配列 (R2025a 以降)

メモリに収まり、追加の処理を必要としない categorical 値のイメージ (ラベル付きピクセルマップなど) の場合は、イメージを categorical 配列として指定できます。

ソフトウェアは categorical 入力を自動的に数値に変換し、ニューラルネットワークに渡します。ソフトウェアが categorical 入力を数値に変換する方法を指定するには、CategoricalInputEncoding 引数を使用します。categorical 配列のレイアウトはイメージデータの種類によって異なり、InputDataFormats と一致していなければなりません。

次の表のレイアウトにおいて、ほとんどのネットワークでは、minibatchpredict 関数に categorical イメージデータを渡す必要があります。

データレイアウト

2 次元 categorical イメージ

データ	レイアウト
2 次元 categorical イメージ	h×w×1×N の配列。ここで、h と w は、それぞれイメージの高さと幅で、N はイメージの数です。ソフトウェアがこのデータを数値配列に変換すると、このレイアウトのデータ形式は `"SSCB"` (空間、空間、チャネル、バッチ) になります。`"C"` (チャネル) 次元のサイズは、`CategoricalInputEncoding` 引数によって異なります。
3 次元 categorical イメージ	h×w×d×1×N の配列。ここで、h、w、d は、それぞれイメージの高さ、幅、深さで、N はイメージの数です。このレイアウトのデータは、`"SSSCB"` (spatial、spatial、spatial、channel、batch) のデータ形式になります。`"C"` (チャネル) 次元のサイズは、学習オプション関数の `CategoricalInputEncoding` 引数によって異なります。

h×w×1×N の配列。ここで、h と w は、それぞれイメージの高さと幅で、N はイメージの数です。

ソフトウェアがこのデータを数値配列に変換すると、このレイアウトのデータ形式は "SSCB" (空間、空間、チャネル、バッチ) になります。"C" (チャネル) 次元のサイズは、CategoricalInputEncoding 引数によって異なります。

3 次元 categorical イメージ

h×w×d×1×N の配列。ここで、h、w、d は、それぞれイメージの高さ、幅、深さで、N はイメージの数です。

このレイアウトのデータは、"SSSCB" (spatial、spatial、spatial、channel、batch) のデータ形式になります。"C" (チャネル) 次元のサイズは、学習オプション関数の CategoricalInputEncoding 引数によって異なります。

データストア

データストアはイメージの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。

イメージデータの場合、minibatchpredict 関数は次のデータストアをサポートします。

データストア	説明	使用例
`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同じ場合に、システム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。拡張イメージデータストアを使用して予測を行う場合は、回転、反転、せん断、平行移動などの追加の拡張を適用しないでください。
`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。	`minibatchpredict` 関数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います。
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レイアウト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。

ヒント

ImageDatastore オブジェクトを使用すると、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。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 オブジェクトを使用します。ImageDatastore オブジェクトの ReadFcn プロパティを使用しないでください。ReadFcn プロパティをカスタム関数に設定した場合、ImageDatastore オブジェクトはイメージファイルを事前取得しないため、通常、速度が大幅に低下します。

transform 関数と combine 関数を使用することで、他の組み込みのデータストアを使用して深層学習ニューラルネットワークをテストできます。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 minibatchpredict 関数に必要なレイアウトに変換できます。データストア出力に必要なレイアウトは、ニューラルネットワークアーキテクチャによって異なります。詳細については、データストアのカスタマイズを参照してください。

`minibatchqueue` オブジェクト

ソフトウェアがミニバッチを処理および変換する方法をより細かく制御するには、データを minibatchqueue オブジェクトとして指定できます。これを実行すると、minibatchpredict 関数はオブジェクトの MiniBatchSize プロパティを無視し、代わりに名前と値の引数 MiniBatchSize を使用します。minibatchqueue 入力の場合、PreprocessingEnvironment プロパティは "serial" でなければなりません。

メモ

この引数は複素数値の予測子をサポートします。

`sequences` — シーケンスデータまたは時系列データ
数値配列の cell 配列 | `dlarray` オブジェクトの cell 配列 | 数値配列 | `dlarray` オブジェクト | データストア | `minibatchqueue` オブジェクト | categorical 配列 (R2025a 以降)

シーケンスデータまたは時系列データ。数値配列、categorical 配列、dlarray オブジェクト、cell 配列、データストア、または minibatchqueue オブジェクトとして指定します。

メモリに収まり、追加の処理を必要としない同じ長さのシーケンスがある場合、入力データを数値配列として指定するのが通常最も簡単なオプションです。メモリに収まり、追加の処理を必要としないさまざまな長さのシーケンスがある場合、入力データを数値配列の cell 配列として指定するのが通常最も簡単なオプションです。システムに保存されているシーケンスを使用して学習させる場合、またはカスタム変換などの追加処理を適用する場合、データストアが通常最も簡単なオプションです。

ヒント

ニューラルネットワークには、特定のレイアウトをもつ入力データが必要です。たとえば、ベクトルシーケンス分類ネットワークは通常、t 行 c 列の配列として表されたベクトルシーケンスを必要とします。ここで、t と c は、それぞれタイムステップの数とシーケンスのチャネル数です。ニューラルネットワークの入力層では、通常、必要とされるデータレイアウトが指定されています。

詳細については、深層学習のデータ形式を参照してください。

数値配列、categorical 配列、`dlarray` オブジェクト、または cell 配列

メモリに収まり、カスタム変換などの追加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、categorical 配列、または dlarray オブジェクトとして指定するか、シーケンスのデータセットを数値配列、categorical 配列、または dlarray オブジェクトから成る cell 配列として指定できます。

cell 配列入力の場合、cell 配列は数値配列、categorical 配列、または dlarray オブジェクトから成る 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。

ソフトウェアは categorical 入力を自動的に数値に変換し、ニューラルネットワークに渡します。ソフトウェアが categorical 入力を数値に変換する方法を指定するには、CategoricalInputEncoding 引数を使用します。

シーケンスを表す数値配列、categorical 配列、または dlarray オブジェクトのサイズと形状は、シーケンスデータの種類によって異なり、InputDataFormats 引数と一致していなければなりません。

次の表のレイアウトにおいて、シーケンス入力層をもつほとんどのネットワークでは、minibatchpredict 関数にシーケンスデータを渡す必要があります。

データ	レイアウト
ベクトルシーケンス	s 行 c 列の行列。ここで、s と c はそれぞれシーケンスのタイムステップ数とチャネル (特徴) 数です。
categorical ベクトルシーケンス	s 行 1 列の categorical 配列。ここで、s はシーケンスのタイムステップ数です。
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。
categorical 1 次元イメージシーケンス	h×1×s の categorical 配列。ここで、h はイメージの高さに対応します。s はシーケンス長です。
2 次元イメージシーケンス	h 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。
categorical 2 次元イメージシーケンス	h×w×1×s の配列。ここで、h と w はそれぞれイメージの高さと幅に対応します。s はシーケンス長です。
3 次元イメージシーケンス	h x w x d x c x 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。
categorical 3 次元イメージシーケンス	h×w×d×1×s。ここで、h、w、d は、それぞれ 3 次元イメージの高さ、幅、深さに対応します。s はシーケンス長です。

データストア

データストアはシーケンスの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。

シーケンスデータおよび時系列データの場合、minibatchpredict 関数は次のデータストアをサポートします。

データストア説明使用例

データストア	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。	`minibatchpredict` 関数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います。
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レイアウトのデータを使用してニューラルネットワークに学習させます。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。

minibatchpredict 関数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います。

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レイアウトのデータを使用してニューラルネットワークに学習させます。

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。

transform 関数と combine 関数を使用して、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 minibatchpredict 関数に必要なレイアウトに変換できます。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。データストア出力に必要なレイアウトは、ニューラルネットワークアーキテクチャによって異なります。詳細については、データストアのカスタマイズを参照してください。

`minibatchqueue` オブジェクト

メモ

この引数は複素数値の予測子をサポートします。

`features` — 特徴または表形式のデータ
数値配列 | `dlarray` オブジェクト | table | データストア | `minibatchqueue` オブジェクト | categorical 配列 (R2025a 以降)

特徴または表形式のデータ。数値配列、categorical 配列、データストア、table、または minibatchqueue オブジェクトとして指定します。

メモリに収まり、追加の処理を必要としないデータがある場合、入力データを数値配列または table として指定するのが通常最も簡単なオプションです。システムに保存されている特徴データや表形式のデータを使用して学習させる場合、またはカスタム変換などの追加処理を適用する場合、データストアが通常最も簡単なオプションです。

ヒント

ニューラルネットワークには、特定のレイアウトをもつ入力データが必要です。たとえば、特徴分類ネットワークは通常、1 行 c 列のベクトルとして表された特徴と表形式のデータを必要とします。ここで、c はデータの特徴の数です。ニューラルネットワークの入力層では、通常、必要とされるデータレイアウトが指定されています。

詳細については、深層学習のデータ形式を参照してください。

数値配列または `dlarray` オブジェクト

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特徴データの場合、特徴データを数値配列または dlarray オブジェクトとして指定できます。

数値配列と形式を整えていない dlarray オブジェクトのレイアウトは、InputDataFormats 引数と一致していなければなりません。特徴入力をもつほとんどのネットワークでは、numObservations 行 numFeatures 列の配列として指定した入力データが必要です。ここで、numObservations は観測値の数、numFeatures は入力データの特徴の数です。

categorical 配列 (R2025a 以降)

メモリに収まり、カスタム変換などの追加処理を必要としない個別の特徴の場合は、特徴データを categorical 配列として指定できます。

ソフトウェアは categorical 入力を自動的に数値に変換し、ニューラルネットワークに渡します。ソフトウェアが categorical 入力を数値に変換する方法を指定するには、CategoricalInputEncoding 引数を使用します。categorical 配列のレイアウトは、InputDataFormats 引数と一致していなければなりません。

カテゴリカル特徴量入力をもつほとんどのネットワークでは、N 行 1 列のベクトルとして指定した入力データが必要です。ここで、N は観測数です。ソフトウェアがこのデータを数値配列に変換すると、このレイアウトのデータ形式は "BC" (バッチ、チャネル) になります。"C" (チャネル) 次元のサイズは、CategoricalInputEncoding 引数によって異なります。

異なるレイアウトのデータの場合は、InputDataFormats 学習オプションを使用してデータのレイアウトが異なることを示すか、形式を整えた dlarray オブジェクトを代わりに使用します。詳細については、深層学習のデータ形式を参照してください。

table

メモリに収まり、カスタム変換などの追加処理を必要としない特徴データの場合、特徴データを table として指定できます。

特徴データを table として指定するには、numObservations 個の行と numFeatures+1 個の列をもつ table を指定します。ここで、numObservations と numFeatures は、それぞれ入力データの観測値とチャネルの数です。minibatchpredict 関数は、最初の numFeatures 個の列を入力特徴として使用します。

データストア

データストアは特徴データの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。

特徴データおよび表形式データの場合、minibatchpredict 関数は次のデータストアをサポートします。

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。	複数の入力をもつニューラルネットワークを使用して予測を行う。 `trainnet` 関数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。	複数の入力をもつニューラルネットワークを使用して予測を行う。
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レイアウト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。

複数の入力をもつニューラルネットワークを使用して予測を行う。
trainnet 関数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。

複数の入力をもつニューラルネットワークを使用して予測を行う。

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レイアウト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。

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、minibatchpredict 関数に必要な table または cell 配列形式に変換できます。詳細については、データストアのカスタマイズを参照してください。

`minibatchqueue` オブジェクト

メモ

この引数は複素数値の予測子をサポートします。

`data` — 汎用データまたはデータ型の組み合わせ
数値配列 | `dlarray` オブジェクト | データストア | `minibatchqueue` オブジェクト | categorical 配列 (R2025a 以降)

汎用データまたはデータ型の組み合わせ。数値配列、categorical 配列、dlarray オブジェクト、データストア、または minibatchqueue オブジェクトとして指定します。

メモリに収まり、追加の処理を必要としないデータがある場合、入力データを数値配列として指定するのが通常最も簡単なオプションです。システムに保存されたデータを使用して学習させる場合、または追加の処理を適用する場合は、データストアを使用するのが通常最も簡単なオプションです。

ヒント

詳細については、深層学習のデータ形式を参照してください。

数値配列、categorical 配列、または `dlarray` オブジェクト

メモリに収まり、カスタム変換などの追加処理を必要としないデータの場合は、データを数値配列、categorical 配列、または dlarray オブジェクトとして指定できます。

inputLayer オブジェクトをもつニューラルネットワークの場合、必要とされる入力データのレイアウトは、層の InputFormat プロパティで指定します。

データストア

データストアはデータの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。

汎用データまたはデータ型の組み合わせの場合、minibatchpredict 関数は次のデータストアをサポートします。

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。	複数の入力をもつニューラルネットワークを使用して予測を行う。 `minibatchpredict` 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。	複数の入力をもつニューラルネットワークを使用して予測を行う。
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。

複数の入力をもつニューラルネットワークを使用して予測を行う。
minibatchpredict 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。

複数の入力をもつニューラルネットワークを使用して予測を行う。

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。

transform 関数と combine 関数を使用して、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、minibatchpredict 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、データストアのカスタマイズを参照してください。

`minibatchqueue` オブジェクト

メモ

この引数は複素数値の予測子をサポートします。

`X1,...,XN` — 複数の入力をもつニューラルネットワークのインメモリデータ
数値配列 | `dlarray` オブジェクト | cell 配列 | categorical 配列 (R2025a 以降)

複数の入力をもつニューラルネットワークのインメモリデータ。数値配列、categorical 配列、dlarray オブジェクト、または cell 配列として指定します。

複数の入力をもつニューラルネットワークで、メモリに収まり、追加の処理を必要としないデータがある場合は、入力データをインメモリ配列として指定するのが通常最も簡単なオプションです。システムに保存されているデータを使用して予測を行う場合、または追加の処理を適用する場合は、データストアを使用するのが通常最も簡単なオプションです。

ヒント

詳細については、深層学習のデータ形式を参照してください。

各入力 X1,...,XN (ここで N は入力数) には、データは、数値配列、dlarray オブジェクトまたは cell 配列 (データ型と一致する引数 images、sequences、または features、data) として指定します。入力 Xi は、ネットワーク入力 net.InputNames(i) に対応します。

メモ

この引数は複素数値の予測子をサポートします。

名前と値の引数

すべて折りたたむ

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。

例: minibatchpredict(net,images,MiniBatchSize=32) は、サイズ 32 のミニバッチを使用して images をループ処理することで予測を行います。

`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。

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。パディングオプションを指定するには、名前と値の引数 SequenceLength を使用します。

メモ

入力データを minibatchqueue オブジェクトとして指定すると、minibatchpredict 関数は、minibatchqueue オブジェクトの MiniBatchSize プロパティではなく、この引数で指定されたミニバッチサイズを使用します。

`Outputs` — 出力の抽出元の層
string 配列 | 文字ベクトルの cell 配列

出力の抽出元の層。層の名前を含む string 配列、または層の名前を含む文字ベクトルの cell 配列として指定します。

Outputs(i) が 1 つの出力をもつ層に対応する場合、Outputs(i) は層の名前です。
Outputs(i) が複数の出力をもつ層に対応する場合、Outputs(i) はまず層の名前、その後に文字 /、さらに層出力の名前が続きます ("layerName/outputName")。

既定値は net.OutputNames です。

`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。次のいずれかの値として指定します。

"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。入力データ、またはネットワークの学習可能なパラメーターは、gpuArray オブジェクトとして格納しなければなりません。GPU を使用するには Parallel Computing Toolbox™ 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の詳細については、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。

"auto" オプションまたは "mex" オプションを使用した場合、ソフトウェアはパフォーマンス上のメリットを提供しますが、初期実行時間が長くなります。関数のそれ以降の呼び出しでは、通常、より高速になります。異なる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。

Acceleration が "mex" の場合、ソフトウェアは、関数の呼び出しで指定したモデルとパラメーターに基づいて MEX 関数を生成し、実行します。1 つのモデルに一度に複数の MEX 関数を関連付けることができます。モデルの変数をクリアすると、そのモデルに関連付けられている MEX 関数もクリアされます。

Acceleration が "auto" の場合、ソフトウェアは MEX 関数を生成しません。

"mex" オプションは GPU の使用時にのみ利用できます。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。

"mex" オプションには以下の制限があります。

single の精度のデータ型のみがサポートされています。入力データまたはネットワークの学習可能なパラメーターは、基となるデータ型が single でなければなりません。
入力層に接続されていない入力が存在するネットワークはサポートされていません。
トレースされた dlarray オブジェクトはサポートされていません。これは、dlfeval 関数の呼び出し内では "mex" オプションがサポートされていないことを意味します。
一部の層はサポートされていません。サポートされている層の一覧については、サポートされている層 (GPU Coder)を参照してください。
"mex" オプションを使用した場合、MATLAB Compiler™ はネットワークの展開をサポートしません。

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。

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

ハードウェアリソース。次のいずれかの値として指定します。

"auto" — 利用可能な場合、GPU を使用します。そうでない場合、CPU を使用します。net が量子化ネットワークであり、TargetLibrary プロパティが "none" に設定されている場合、GPU が使用可能であっても 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の詳細については、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。

`SequenceLength` — 入力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"`

入力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。次のいずれかのオプションとして指定します。

"longest" — 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" — 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、関数はパディングを追加しなくなりますが、代わりにデータが破棄されます。

入力シーケンスのパディングと切り捨ての効果の詳細については、シーケンスのパディングと切り捨て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。次のいずれかのオプションとして指定します。

"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、ソフトウェアによって各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。各シーケンスが同じタイムステップで終わるように、ソフトウェアによって各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、名前と値の引数 SequencePaddingDirection 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。シーケンスデータの右側に対してパディングまたは切り捨てを行うには、名前と値の引数 SequencePaddingDirection を "right" に設定します。

シーケンスのパディングと切り捨ての効果の詳細については、シーケンスのパディングと切り捨てを参照してください。

`SequencePaddingValue` — 入力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。

`CategoricalInputEncoding` — categorical 入力の符号化
`"integer"` (既定値) | `"one-hot"`

R2025a 以降

categorical 入力の符号化。次のいずれかの値として指定します。

"integer" — categorical 入力を整数値に変換します。この場合、ネットワークは categorical 入力ごとに 1 つの入力チャネルをもたなければなりません。
"one-hot" — categorical 入力を one-hot 符号化されたベクトルに変換します。この場合、ネットワークは categorical 入力ごとに numCategories 個のチャネルをもたなければなりません。ここで、numCategories は対応する categorical 入力のカテゴリの数です。

`InputDataFormats` — 入力データの次元の説明
`"auto"` (既定値) | string 配列 | 文字ベクトル | 文字ベクトルの cell 配列

入力データの次元の説明。string 配列、文字ベクトル、または文字ベクトルの cell 配列として指定します。

InputDataFormats が "auto" の場合、ソフトウェアは、ネットワークの入力で必要とされる形式を使用します。そうでない場合、ソフトウェアは、該当するネットワーク入力に対して指定された形式を使用します。

データ形式は文字列で、各文字は対応するデータ次元のタイプを表します。

各文字は以下のとおりです。

"S" — 空間
"C" — チャネル
"B" — バッチ
"T" — 時間
"U" — 指定なし

たとえば、シーケンスのバッチを表し、1 番目、2 番目、および 3 番目の次元がそれぞれチャネル、観測値、およびタイムステップに対応する配列があるとします。データは "CBT" (チャネル、バッチ、時間) の形式で記述できます。

"S" または "U" のラベルが付いた次元については、複数回指定できます。ラベル "C"、"B"、および "T" はそれぞれ 1 回まで使用できます。ソフトウェアは、2 番目の次元の後ろにある大きさが 1 の "U" 次元を無視します。

複数の入力をもつニューラルネットワーク net の場合、入力データ形式の配列を指定します。ここで、InputDataFormats(i) は入力 net.InputNames(i) に対応します。

詳細については、深層学習のデータ形式を参照してください。

データ型: char | string | cell

`OutputDataFormats` — 出力データの次元の説明
`"auto"` (既定値) | string 配列 | 文字ベクトルの cell 配列 | 文字ベクトル

出力データの次元の説明。次のいずれかの値として指定します。

"auto" — 出力データと入力データの次元の数が同じ場合、関数 minibatchpredict は InputDataFormats で指定された形式を使用します。出力データと入力データの次元数が異なる場合、minibatchpredict 関数は、出力データの次元をネットワーク入力層または InputDataFormats 値と一致するように自動的に並べ替えます。
string、文字ベクトル、または文字ベクトルの cell 配列 — minibatchpredict 関数は指定されたデータ形式を使用します。

データ形式は文字列で、各文字は対応するデータ次元のタイプを表します。

各文字は以下のとおりです。

"S" — 空間
"C" — チャネル
"B" — バッチ
"T" — 時間
"U" — 指定なし

詳細については、深層学習のデータ形式を参照してください。

データ型: char | string | cell

`UniformOutput` — パディングされたデータを一様配列として返すフラグ
`true` または `1` (既定値) | `false` または `0`

パディングされたデータを一様配列として返すフラグ。logical の 1 (true) または 0 (false) として指定します。値を 0 に設定すると、ソフトウェアは予測の cell 配列を出力します。

出力引数

すべて折りたたむ

`Y1,...,YM` — ニューラルネットワーク予測
数値配列 | `dlarray` オブジェクト | cell 配列

ニューラルネットワーク予測。数値配列、dlarray オブジェクト、または cell 配列 Y1,...,YM として返されます。ここで、M はネットワーク出力の数です。

予測 Yi は出力 Outputs(i) に対応します。

分類ニューラルネットワークの場合、出力の要素は各クラスのスコアに対応します。スコアの順序は、学習データ内のカテゴリの順序と一致します。たとえば、カテゴリカルラベル TTrain を使用してニューラルネットワークに学習させた場合、スコアの順序は、categories(TTrain) によって指定されたカテゴリの順序と一致します。

詳細

すべて折りたたむ

浮動小数点演算

minibatchpredict 関数は、整数の数値配列とデータストア入力を単精度の浮動小数点値に変換します。minibatchqueue 入力の場合、ソフトウェアはその入力の OutputCast プロパティで指定されたデータ型を使用します。

予測関数か検証関数を単精度の学習可能なパラメーターと状態パラメーターをもつ dlnetwork オブジェクトと組み合わせて使用する場合、単精度浮動小数点演算を使用して計算が実行されます。

予測関数か検証関数を倍精度の学習可能なパラメーターと状態パラメーターをもつ dlnetwork オブジェクトと組み合わせて使用する場合は、次のようになります。

入力データが単精度の場合、単精度浮動小数点演算を使用して計算が実行されます。
入力データが倍精度の場合、倍精度浮動小数点演算を使用して計算が実行されます。

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。GPU を使用して深層学習演算を実行するときに確定性が必要な場合は、deep.gpu.deterministicAlgorithms 関数 (R2024b 以降)を使用します。

rng 関数を使用して同じ乱数発生器とシードを設定した場合、CPU を使用して行った予測は再現性をもちます。

ヒント

複数の GPU を使用して並列で予測を行うには、GPU ごとに 1 つのワーカーをもつ並列プールを作成し、データを分割して並列で予測を行います。複数の GPU を使用して予測を行う方法を示す例については、自動マルチ GPU のサポートを使用したネットワークの学習を参照してください。

拡張機能

すべて展開する

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。

minibatchpredict 関数は、GPU による高速化を完全にサポートします。

既定では、minibatchpredict は利用可能な GPU がある場合にそれを使用します。net が量子化ネットワークであり、TargetLibrary プロパティが "none" に設定されている場合、minibatchpredict は、GPU が使用可能であっても CPU を使用します。名前と値の引数 ExecutionEnvironment を指定することにより、minibatchpredict 関数が使用するハードウェアを指定できます。

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

R2024a で導入

すべて展開する

R2025a: categorical 入力の数値符号化の指定

ニューラルネットワークで予測を行うために categorical 入力を数値に変換する方法を指定するには、CategoricalInputEncoding 引数を使用します。

参考

minibatchpredict

構文

説明

例

dlnetwork オブジェクトを使用した予測の実行

入力引数

net — ニューラル ネットワーク dlnetwork オブジェクト

images — イメージ データ 数値配列 | dlarray オブジェクト | データストア | minibatchqueue オブジェクト | categorical 配列 (R2025a 以降)

数値配列または dlarray オブジェクト

categorical 配列 (R2025a 以降)

データストア

minibatchqueue オブジェクト

sequences — シーケンス データまたは時系列データ 数値配列の cell 配列 | dlarray オブジェクトの cell 配列 | 数値配列 | dlarray オブジェクト | データストア | minibatchqueue オブジェクト | categorical 配列 (R2025a 以降)

数値配列、categorical 配列、dlarray オブジェクト、または cell 配列

データストア

minibatchqueue オブジェクト

features — 特徴または表形式のデータ 数値配列 | dlarray オブジェクト | table | データストア | minibatchqueue オブジェクト | categorical 配列 (R2025a 以降)

数値配列または dlarray オブジェクト

categorical 配列 (R2025a 以降)

table

データストア

minibatchqueue オブジェクト

data — 汎用データまたはデータ型の組み合わせ 数値配列 | dlarray オブジェクト | データストア | minibatchqueue オブジェクト | categorical 配列 (R2025a 以降)

数値配列、categorical 配列、または dlarray オブジェクト

データストア

minibatchqueue オブジェクト

X1,...,XN — 複数の入力をもつニューラル ネットワークのインメモリ データ 数値配列 | dlarray オブジェクト | cell 配列 | categorical 配列 (R2025a 以降)

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

Outputs — 出力の抽出元の層 string 配列 | 文字ベクトルの cell 配列

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"

SequenceLength — 入力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"

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

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

CategoricalInputEncoding — categorical 入力の符号化 "integer" (既定値) | "one-hot"

InputDataFormats — 入力データの次元の説明 "auto" (既定値) | string 配列 | 文字ベクトル | 文字ベクトルの cell 配列

OutputDataFormats — 出力データの次元の説明 "auto" (既定値) | string 配列 | 文字ベクトルの cell 配列 | 文字ベクトル

UniformOutput — パディングされたデータを一様配列として返すフラグ true または 1 (既定値) | false または 0

出力引数

Y1,...,YM — ニューラル ネットワーク予測 数値配列 | dlarray オブジェクト | cell 配列

詳細

浮動小数点演算

再現性

ヒント

拡張機能

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

R2025a: categorical 入力の数値符号化の指定

参考

トピック

`dlnetwork` オブジェクトを使用した予測の実行

`net` — ニューラルネットワーク
`dlnetwork` オブジェクト

`images` — イメージデータ
数値配列 | `dlarray` オブジェクト | データストア | `minibatchqueue` オブジェクト | categorical 配列 (R2025a 以降)

数値配列または `dlarray` オブジェクト

`minibatchqueue` オブジェクト

`sequences` — シーケンスデータまたは時系列データ
数値配列の cell 配列 | `dlarray` オブジェクトの cell 配列 | 数値配列 | `dlarray` オブジェクト | データストア | `minibatchqueue` オブジェクト | categorical 配列 (R2025a 以降)

数値配列、categorical 配列、`dlarray` オブジェクト、または cell 配列

`minibatchqueue` オブジェクト

`features` — 特徴または表形式のデータ
数値配列 | `dlarray` オブジェクト | table | データストア | `minibatchqueue` オブジェクト | categorical 配列 (R2025a 以降)

数値配列または `dlarray` オブジェクト

`minibatchqueue` オブジェクト

`data` — 汎用データまたはデータ型の組み合わせ
数値配列 | `dlarray` オブジェクト | データストア | `minibatchqueue` オブジェクト | categorical 配列 (R2025a 以降)

数値配列、categorical 配列、または `dlarray` オブジェクト

`minibatchqueue` オブジェクト

`X1,...,XN` — 複数の入力をもつニューラルネットワークのインメモリデータ
数値配列 | `dlarray` オブジェクト | cell 配列 | categorical 配列 (R2025a 以降)

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

`Outputs` — 出力の抽出元の層
string 配列 | 文字ベクトルの cell 配列

`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"`

`SequenceLength` — 入力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"`

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

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

`CategoricalInputEncoding` — categorical 入力の符号化
`"integer"` (既定値) | `"one-hot"`

`InputDataFormats` — 入力データの次元の説明
`"auto"` (既定値) | string 配列 | 文字ベクトル | 文字ベクトルの cell 配列

`OutputDataFormats` — 出力データの次元の説明
`"auto"` (既定値) | string 配列 | 文字ベクトルの cell 配列 | 文字ベクトル

`UniformOutput` — パディングされたデータを一様配列として返すフラグ
`true` または `1` (既定値) | `false` または `0`

`Y1,...,YM` — ニューラルネットワーク予測
数値配列 | `dlarray` オブジェクト | cell 配列

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。