TrainingOptionsRMSProp

RMSProp オプティマイザーの学習オプション

このページをすべて展開する

説明

TrainingOptionsRMSProp オブジェクトを使用して、学習率の情報、L₂ 正則化係数、ミニバッチのサイズなどの、RMSProp (平方根平均二乗伝播) オプティマイザーの学習オプションを設定します。

作成

trainingOptions を使用し、最初の入力引数として "rmsprop" を指定し、TrainingOptionsRMSProp オブジェクトを作成します。

プロパティ

すべて展開する

RMSProp

`MaxEpochs` — エポックの最大回数
`30` (既定値) | 正の整数

学習に使用するエポックの最大数 (データを一巡する回数)。正の整数として指定します。

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

学習の各反復で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。ミニバッチとは、損失関数の勾配を評価し、重みを更新するために使用される学習セットのサブセットのことです。

ミニバッチのサイズで学習サンプルの数を割り切ることができない場合、ソフトウェアは、各エポックの最後のミニバッチにちょうど収まらない学習データを破棄します。ミニバッチのサイズが学習サンプルの数より小さい場合、ソフトウェアはいかなるデータも破棄しません。

`Shuffle` — データのシャッフルのオプション
`"once"` (既定値) | `"never"` | `"every-epoch"`

データのシャッフルのオプション。次のいずれかの値として指定します。

"once" — 学習データと検証データを学習前に 1 回シャッフルします。
"never" — データをシャッフルしません。
"every-epoch" — 各学習エポックの前に学習データをシャッフルし、ニューラルネットワークの各検証の前に検証データをシャッフルします。ミニバッチのサイズで学習サンプルの数を割り切ることができない場合、ソフトウェアは、各エポックの最後のミニバッチにちょうど収まらない学習データを破棄します。エポックごとに同じデータが破棄されるのを回避するには、Shuffle 学習オプションを "every-epoch" に設定します。

`InitialLearnRate` — 初期学習率
`0.001` (既定値) | 正のスカラー

学習に使用される初期学習率。正のスカラーとして指定します。

学習率が小さすぎる場合、学習に時間がかかることがあります。学習率が大きすぎる場合、学習結果が準最適になったり、発散したりすることがあります。

`LearnRateSchedule` — 学習率スケジュール
`"none"` (既定値) | 文字ベクトル | string 配列 | 組み込みまたはカスタムの学習率スケジュールオブジェクト | 関数ハンドル | cell 配列

学習率スケジュール。組み込みの学習率スケジュール名の文字ベクトルまたは string スカラー、名前の string 配列、組み込みまたはカスタムの学習率スケジュールオブジェクト、または関数ハンドルとして指定するか、名前、メトリクスオブジェクト、および関数ハンドルから成る cell 配列として指定します。

組み込みの学習率スケジュール名

学習率スケジュールを、string スカラー、文字ベクトル、または次の 1 つ以上の名前から成る string または cell 配列として指定します。

名前	説明	プロット
`"none"`	学習率スケジュールなし。このスケジュールでは、学習率が一定に保持されます。
`"piecewise"`	区分的学習率スケジュール。このスケジュールでは、10 エポックごとに学習率を 10 分の 1 に下げます。
`"warmup"` (R2024b 以降)	ウォームアップ学習率スケジュール。このスケジュールでは、5 回の反復で学習率を基本学習率まで上げます。
`"polynomial"` (R2024b 以降)	多項式学習率スケジュール。このスケジュールでは、エポックごとに単位指数のべき乗則を使用して学習率を下げます。
`"exponential"` (R2024b 以降)	指数学習率スケジュール。このスケジュールでは、エポックごとに学習率を `10` 分の 1 に減衰させます。
`"cosine"` (R2024b 以降)	余弦学習率スケジュール。このスケジュールでは、エポックごとに余弦定理を使用して学習率を下げます。
`"cyclical"` (R2024b 以降)	周期的学習率スケジュール。このスケジュールでは、10 エポックの周期において、基本学習率から 5 エポックの間は学習率を増加させ、その後 5 エポックの間は学習率を減少させます。

組み込みの学習率スケジュールオブジェクト (R2024b 以降)

string オプションを超える柔軟性が必要な場合は、組み込みの学習率スケジュールオブジェクトを使用できます。

piecewiseLearnRate — 区分的学習率スケジュールオブジェクトは、指定された係数を乗算して学習率を定期的に下げます。このオブジェクトを使用して、区分的スケジュールのドロップ係数と期間をカスタマイズします。
R2024b より前: LearnRateDropFactor 学習オプションと LearnRateDropPeriod 学習オプションをそれぞれ使用して、区分的ドロップ係数と周期をカスタマイズします。
warmupLearnRate — ウォームアップ学習率スケジュールオブジェクトは、指定された反復回数だけ学習を強化します。このオブジェクトを使用して、初期学習率係数、最終学習率係数、およびウォームアップスケジュールのステップ数をカスタマイズします。
polynomialLearnRate — 多項式学習率スケジュールでは、べき乗則を使用して学習率を下げます。このオブジェクトを使用して、初期学習率係数、最終学習率係数、指数、および多項式スケジュールのステップ数をカスタマイズします。
exponentialLearnRate — 指数学習率スケジュールでは、指定した係数で学習率を減衰させます。このオブジェクトを使用して、指数スケジュールのドロップ係数と周期をカスタマイズします。
cosineLearnRate — 余弦学習率スケジュールオブジェクトは、余弦曲線を使用して学習率を下げ、ウォームリスタートを組み込みます。このオブジェクトを使用して、コサインスケジュールの初期学習率係数、最終学習率係数、周期、および周期成長係数をカスタマイズします。
cyclicalLearnRate — 周期的学習率スケジュールでは、学習率を周期的に増減させます。このオプションを使用して、周期的なスケジュールの最大係数、周期、およびステップ比率をカスタマイズします。

カスタム学習率スケジュール (R2024b 以降)

柔軟性をさらに高めるには、deep.LearnRateSchedule から継承する関数ハンドルまたはカスタムクラスとしてカスタム学習率スケジュールを定義できます。

カスタム学習率スケジュール関数ハンドル — 必要な学習率スケジュールが組み込み学習率スケジュールではない場合、関数ハンドルを使用してカスタム学習率スケジュールを指定できます。カスタムスケジュールを指定するには、構文 learningRate = f(baseLearningRate,epoch) で関数ハンドルを使用します。ここで、baseLearningRate は基本学習率、epoch はエポック数です。
カスタム学習率スケジュールオブジェクト — 関数ハンドルを超える柔軟性が必要な場合は、deep.LearnRateSchedule から継承するカスタム学習率スケジュールクラスを定義できます。

複数の学習率スケジュール (R2024b 以降)

複数のスケジュールを string または cell 配列として指定することで、複数の学習率スケジュールを組み合わせることができます。次いでソフトウェアは、最初の要素から順番にスケジュールを適用します。スケジュールのうち最大 1 つを無限にすることができます ("cyclical" スケジュールや、NumSteps プロパティを Inf に設定したオブジェクトなど、無期限に継続するスケジュール)。無限スケジュールは、配列の最後の要素でなければなりません。

`LearnRateDropPeriod` — 学習率を下げるまでのエポック数
`10` (既定値) | 正の整数

学習率を下げるまでのエポック数。正の整数として指定します。このオプションは、LearnRateSchedule 学習オプションが "piecewise" の場合にのみ有効です。

指定したエポック数が経過するたびに、グローバル学習率と低下係数が乗算されます。LearnRateDropFactor 学習オプションを使用して低下係数を指定します。

`LearnRateDropFactor` — 学習率を下げる係数
`0.1` (既定値) | `0` から `1` までのスカラー

学習率を下げる係数。0 から 1 までのスカラーとして指定します。このオプションは、LearnRateSchedule 学習オプションが "piecewise" の場合にのみ有効です。

LearnRateDropFactor は、特定のエポック数が経過するたびに学習率に適用される乗法係数です。LearnRateDropPeriod 学習オプションを使用してエポック数を指定します。

`SquaredGradientDecayFactor` — 勾配の二乗の移動平均の減衰率
`0.9` (既定値) | `1` 未満の非負のスカラー

RMSProp ソルバーの勾配の二乗の移動平均の減衰率。1 未満の非負のスカラーとして指定します。

減衰率の一般的な値は 0.9、0.99、および 0.999 であり、平均化の長さとしては 10 回、100 回、および 1000 回のパラメーター更新にそれぞれ対応しています。

詳細については、平方根平均二乗伝播を参照してください。

`Epsilon` — 分母のオフセット
`1e-8` (既定値) | 正のスカラー

RMSProp ソルバーの分母のオフセット。正のスカラーとして指定します。

ソルバーは、ニューラルネットワークパラメーターの更新時に分母にオフセットを追加して、ゼロ除算を回避します。ほとんどのタスクにおいて、既定値で良い結果が得られます。

さまざまなソルバーの詳細については、平方根平均二乗伝播を参照してください。

データレイアウト

`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。

`CategoricalTargetEncoding` — categorical ターゲットの符号化
`"auto"` (既定値) | `"integer"` | `"one-hot"`

R2025a 以降

categorical ターゲットの符号化。次のいずれかの値として指定します。

"auto" — "index-crossentropy" 損失関数を使用して学習させる場合は、categorical ターゲットを整数値に変換します。それ以外の場合は、categorical ターゲットを one-hot 符号化されたベクトルに変換します。
"integer" — categorical ターゲットを整数値に変換し、整数に符号化された値を損失関数とメトリクス関数に渡します。
"one-hot" — categorical ターゲットを one-hot 符号化されたベクトルに変換し、one-hot 符号化された値を損失関数とメトリクス関数に渡します。

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

R2023b 以降

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

`TargetDataFormats` — ターゲット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

R2023b 以降

ターゲット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" — ターゲットデータと入力データの次元の数が同じ場合、関数 trainnet は InputDataFormats で指定された形式を使用します。ターゲットデータと入力データの次元の数が異なる場合、関数 trainnet は損失関数で必要とされる形式を使用します。
string 配列、文字ベクトル、または文字ベクトルの cell 配列 — 関数 trainnet はユーザーが指定し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

監視

`Plots` — ニューラルネットワークの学習中に表示するプロット
`"none"` (既定値) | `"training-progress"`

ニューラルネットワークの学習中に表示するプロット。次のいずれかの値として指定します。

"none" — 学習中にプロットを表示しません。
"training-progress" — 学習の進行状況をプロットします。

プロットには、ミニバッチ損失、検証損失、Metrics プロパティで指定された学習ミニバッチと検証のメトリクス、および学習の進行状況に関する追加情報が表示されます。

学習後にプログラムで学習の進行状況プロットを開いたり閉じたりするには、関数 trainnet の 2 番目の出力で関数 show および close を使用します。Plots 学習オプションが "none" として指定されている場合でも、関数 show を使用して学習の進行状況を表示できます。

Y 軸のスケールを対数に切り替えるには、座標軸ツールバーを使用します。 Training plot axes toolbar with log scale enabled and the tooltip "Log scale y-axis".

プロットの詳細については、深層学習における学習の進行状況の監視を参照してください。

`Metrics` — 監視するメトリクス
`[]` (既定値) | 文字ベクトル | string 配列 | 関数ハンドル | `deep.DifferentiableFunction` オブジェクト (R2024a 以降) | cell 配列 | メトリクスオブジェクト

R2023b 以降

監視するメトリクス。次のいずれかの値として指定します。

組み込みメトリクスまたは損失関数名 — string スカラー、文字ベクトル、または次の 1 つ以上の名前の cell 配列か string 配列としてメトリクスを指定します。
- メトリクス:
  - "accuracy" — 精度 (最上位精度とも呼ばれる)
  - "auc" — ROC 曲線下面積 (AUC)
  - "fscore" — F スコア (F₁ スコアとも呼ばれる)
  - "precision" — 適合率
  - "recall" — 再現率
  - "rmse" — 平方根平均二乗誤差
  - "mape" — 平均絶対誤差率 (MAPE) (R2024b 以降)
  - "rsquared" — R² (決定係数) (R2025a 以降)
- 損失関数:
  - "crossentropy" — 分類タスクのクロスエントロピー損失。 (R2024b 以降)
  - "indexcrossentropy" — 分類タスクのインデックスクロスエントロピー損失。 (R2024b 以降)
  - "binary-crossentropy" — バイナリおよびマルチラベル分類タスクのバイナリクロスエントロピー損失。 (R2024b 以降)
  - "mae" / "mean-absolute-error" / "l1loss" — 回帰タスクの平均絶対誤差。 (R2024b 以降)
  - "mse" / "mean-squared-error" / "l2loss" — 回帰タスクの平均二乗誤差。 (R2024b 以降)
  - "huber" — 回帰タスクの Huber 損失 (R2024b 以降)
損失関数を "crossentropy" に設定し、メトリクスとして "index-crossentropy" を指定すること、または損失関数を "index-crossentropy" に設定し、メトリクスとして "crossentropy" を指定することはサポートされていないことに注意してください。
深層学習のメトリクスと損失関数の詳細については、Deep Learning Metricsを参照してください。

組み込みメトリクスオブジェクト — より高い柔軟性が必要な場合は、組み込みメトリクスオブジェクトを使用できます。ソフトウェアは、次の組み込みメトリクスオブジェクトをサポートします。
- AccuracyMetric
- AUCMetric
- FScoreMetric
- PrecisionMetric
- RecallMetric
- RMSEMetric
- MAPEMetric (R2024b 以降)
- RSquaredMetric (R2025a 以降)
組み込みメトリクスオブジェクトを作成するときは、平均化のタイプ、タスクが単一ラベルか複数ラベルかなどの追加オプションを指定できます。
カスタムメトリクス関数ハンドル — 組み込みメトリクス以外のメトリクスが必要な場合は、関数ハンドルを使用してカスタムメトリクスを指定できます。関数の構文は metric = metricFunction(Y,T) でなければなりません。ここで、Y はネットワーク予測に対応し、T はターゲット応答に対応します。複数の出力をもつネットワークの場合、構文は metric = metricFunction(Y1,…,YN,T1,…TM) でなければなりません。ここで、N は出力の数、M はターゲットの数です。詳細については、Define Custom Metric Functionを参照してください。
メモ
ミニバッチにデータが含まれる場合、ソフトウェアは各ミニバッチのメトリクスを計算し、それらの値の平均を返します。メトリクスによっては、この動作のために、データセット全体を一度に使用してメトリクスを計算する場合とは異なるメトリクス値を取ることがあります。ほとんどの場合は、同様の値になります。データに対してバッチ平均されていないカスタムメトリクスを使用するには、カスタムメトリクスオブジェクトを作成しなければなりません。詳細については、Define Custom Deep Learning Metric Objectを参照してください。
deep.DifferentiableFunction オブジェクト (R2024a 以降) — カスタム逆方向関数をもつ関数オブジェクト。categorical ターゲットの場合、ソフトウェアは categorical 値を one-hot 符号化されたベクトルに自動的に変換し、メトリクス関数に渡します。詳細については、Define Custom Deep Learning Operationsを参照してください。
カスタムメトリクスオブジェクト — より詳細なカスタマイズが必要な場合は、独自のカスタムメトリクスオブジェクトを定義できます。カスタムメトリクスの作成方法を示す例については、Define Custom Metric Objectを参照してください。カスタムメトリクスの作成に関する一般的な情報については、Define Custom Deep Learning Metric Objectを参照してください。

メトリクスを関数ハンドル、deep.DifferentiableFunction オブジェクト、またはカスタムメトリクスオブジェクトとして指定し、trainnet 関数を使用してニューラルネットワークに学習させる場合、ソフトウェアによってメトリクスに渡されるターゲットのレイアウトは、ターゲットのデータ型、trainnet 関数で指定する損失関数、および指定するその他のメトリクスによって異なります。

ターゲットが数値配列の場合、ソフトウェアはターゲットをメトリクスに直接渡します。
損失関数が "index-crossentropy" で、ターゲットが categorical 配列の場合、ソフトウェアはターゲットを数値クラスインデックスに自動的に変換し、メトリクスに渡します。
その他の損失関数では、ターゲットが categorical 配列の場合、ソフトウェアはターゲットを自動的に one-hot 符号化されたベクトルに変換し、メトリクスに渡します。

このオプションは、関数 trainnet と関数 trainBERTDocumentClassifier (Text Analytics Toolbox) のみをサポートします。

例: Metrics=["accuracy","fscore"]

例: Metrics={"accuracy",@myFunction,precisionObj}

`ObjectiveMetricName` — オブジェクティブメトリクスの名前
`"loss"` (既定値) | string スカラー | 文字ベクトル

R2024a 以降

早期に停止して最適なネットワークを返すのに使用されるオブジェクティブメトリクスの名前。string スカラーまたは文字ベクトルとして指定します。

このメトリクスの名前は、"loss" であるか、Metrics 引数で指定されたメトリクスの名前と同じでなければなりません。関数ハンドルで指定されたメトリクスはサポートされていません。ObjectiveMetricName の値をカスタムメトリクスの名前として指定するには、カスタムメトリクスオブジェクトの Maximize プロパティの値が空であってはなりません。詳細については、Define Custom Deep Learning Metric Objectを参照してください。

早期に停止するためのオブジェクティブメトリクスの指定に関する詳細については、ValidationPatience を参照してください。オブジェクティブメトリクスを使用して最適なネットワークを返すことに関する詳細については、OutputNetwork を参照してください。

データ型: char | string

`Verbose` — 学習の進行状況の情報を表示するためのフラグ
`1` (`true`) (既定値) | `0` (`false`)

コマンドウィンドウに学習の進行状況の情報を表示するためのフラグ。1 (true) または 0 (false) として指定します。

関数 trainnet を使用する場合、詳細出力には次の変数を含むテーブルが表示されます。

変数	説明
`Iteration`	反復回数。
`Epoch`	エポック数。
`TimeElapsed`	経過時間。時間、分、秒で示されます。
`LearnRate`	学習率。
`TrainingLoss`	学習損失。
`ValidationLoss`	検証損失。検証データを指定しない場合、ソフトウェアはこの情報を表示しません。

学習オプションで追加のメトリクスを指定した場合、詳細出力にもそれらのメトリクスが表示されます。たとえば、Metrics 学習オプションを "accuracy" に設定した場合、変数 TrainingAccuracy および ValidationAccuracy もこの情報に含まれます。

学習が停止すると、詳細出力に停止の理由が表示されます。

検証データを指定するには、ValidationData 学習オプションを使用します。

`VerboseFrequency` — 詳細出力の頻度
`50` (既定値) | 正の整数

コマンドウィンドウへの表示間の反復回数を示す、詳細出力の頻度。正の整数として指定します。

学習中にニューラルネットワークを検証する場合、ソフトウェアは、検証が行われるたびにコマンドウィンドウにも出力します。

このプロパティを有効にするには、Verbose 学習オプションを 1 (true) に設定します。

`OutputFcn` — 出力関数
関数ハンドル | 関数ハンドルの cell 配列

学習中に呼び出す出力関数。関数ハンドル、または関数ハンドルの cell 配列として指定します。ソフトウェアは、学習の開始前、各反復後、および学習の完了時に関数を 1 回呼び出します。

関数の構文は stopFlag = f(info) でなければなりません。ここで、info は学習の進行状況に関する情報が格納される構造体、stopFlag は学習を早期に停止させることを示すスカラーです。stopFlag が 1 (true) の場合、ソフトウェアは学習を停止させます。それ以外の場合、ソフトウェアは学習を続行します。

関数 trainnet は、次のフィールドをもつ構造体 info を出力関数に渡します。

フィールド	説明
`Epoch`	エポック数
`Iteration`	反復回数
`TimeElapsed`	学習開始からの時間
`LearnRate`	反復での学習率
`TrainingLoss`	反復での学習損失
`ValidationLoss`	検証損失 (指定されており、反復時に評価される場合)。
`State`	反復での学習状態。`"start"`、`"iteration"`、または `"done"` として指定します。

学習オプションで追加のメトリクスを指定した場合、学習情報にもそれらのメトリクスが表示されます。たとえば、Metrics 学習オプションを "accuracy" に設定した場合、フィールド TrainingAccuracy および ValidationAccuracy もこの情報に含まれます。

フィールドが計算されない、または出力関数の特定の呼び出しに関連していない場合、そのフィールドには空の配列が含まれます。

出力関数の使用方法を示す例については、Custom Stopping Criteria for Deep Learning Trainingを参照してください。

データ型: function_handle | cell

検証

`ValidationData` — 学習中の検証に使用するデータ
`[]` (既定値) | データストア | table | cell 配列 | `minibatchqueue` オブジェクト (R2024a 以降)

学習中の検証で使用するデータ。[] として指定するか、検証予測子と検証ターゲットを含むデータストア、table、cell 配列、または minibatchqueue オブジェクトとして指定します。

学習中に、ソフトウェアは検証データを使用して検証損失とメトリクス値を計算します。検証頻度を指定するには、ValidationFrequency 学習オプションを使用します。検証データを使用して、検証オブジェクティブメトリクスが改善されなくなったときに学習を自動的に停止することもできます。既定では、オブジェクティブメトリクスは損失に設定されます。自動検証停止をオンにするには、ValidationPatience 学習オプションを使用します。

ValidationData が [] の場合、学習中にニューラルネットワークが検証されません。

ニューラルネットワークに予測時と学習時で動作が異なる層 (ドロップアウト層など) がある場合、検証損失が学習損失より低くなる可能性があります。

検証データは、Shuffle 学習オプションに従ってシャッフルされます。Shuffle が "every-epoch" の場合、検証データはニューラルネットワークの各検証の前にシャッフルされます。

サポートされている形式は、使用する学習関数によって異なります。

関数 `trainnet`

データストア、table、minibatchqueue オブジェクト、または cell 配列 {predictors,targets} として検証データを指定します。ここで、predictors には検証予測子を格納し、targets には検証ターゲットを格納します。trainnet 関数でサポートされているいずれかのレイアウトを使用して、検証予測子と検証ターゲットの値を指定します。

詳細については、関数 trainnet の入力引数を参照してください。

関数 `trainBERTDocumentClassifier` (Text Analytics Toolbox)

検証データを次のいずれかの値として指定します。

cell 配列 {documents,targets}。ここで、documents には入力文書を格納し、targets には文書のラベルを格納する。
table。ここで、最初の変数には入力文書を格納し、2 番目の変数には文書のラベルを格納する。

詳細については、関数 trainBERTDocumentClassifier (Text Analytics Toolbox) の入力引数を参照してください。

`ValidationFrequency` — ニューラルネットワークの検証の頻度
`50` (既定値) | 正の整数

反復回数で示されるニューラルネットワークの検証の頻度。正の整数として指定します。

ValidationFrequency の値は、検証メトリクスの評価間の反復回数です。検証データを指定するには、ValidationData 学習オプションを使用します。

`ValidationPatience` — 検証停止までの待機回数
`Inf` (既定値) | 正の整数

ニューラルネットワークの学習の検証を停止するまでの待機回数。正の整数または Inf として指定します。

ValidationPatience は、ニューラルネットワークの学習が停止するまでに、検証セットでのオブジェクティブメトリクスが前の最良値以下になることが許容される回数を指定します。ValidationPatience が Inf の場合、検証メトリクスの値によって学習が早期に停止することはありません。ソフトウェアは、メトリクスの Maximize プロパティの指定に従って、メトリクスを最大化または最小化しようと試みます。オブジェクティブメトリクスが "loss" の場合、ソフトウェアは損失値を最小化しようと試みます。

返されるニューラルネットワークは、OutputNetwork 学習オプションによって異なります。検証メトリクス値が最良のニューラルネットワークを返すようにするには、OutputNetwork 学習オプションを "best-validation" に設定します。

R2024a より前: ソフトウェアは、検証損失値を使用して検証の許容回数を計算します。

`OutputNetwork` — 学習完了時に返すニューラルネットワーク
`"auto"` (既定値) | `"last-iteration"` | `"best-validation"`

学習完了時に返すニューラルネットワーク。次のいずれかとして指定します。

"auto" – ValidationData が指定されている場合は "best-validation" を使用します。それ以外の場合は "last-iteration" を使用します。
"best-validation" – 検証メトリクス値が最良となる学習反復に対応するニューラルネットワークを返します。最適化するメトリクスは ObjectiveMetricName オプションで指定します。このオプションを使用するには、ValidationData 学習オプションを指定しなければなりません。
"last-iteration" – 最後の学習反復に対応するニューラルネットワークを返す。

正則化と正規化

`L2Regularization` — L₂ 正則化の係数
`0.0001` (既定値) | 非負のスカラー

L₂ 正則化 (重み減衰) の係数。非負のスカラーとして指定します。詳細については、L2 正則化を参照してください。

`ResetInputNormalization` — 入力層の正規化をリセットするオプション
`1` (`true`) (既定値) | `0` (`false`)

入力層の正規化をリセットするオプション。次のいずれかに指定します。

1 (true) — 入力層の正規化統計量をリセットし、学習時に再計算します。
0 (false) — 正規化統計量が空の場合、学習時に計算します。

`BatchNormalizationStatistics` — バッチ正規化層の統計量を評価するモード
`"auto"` (既定値) | `"population"` | `"moving"`

バッチ正規化層の統計量を評価するモード。次のいずれかとして指定します。

"population" — 母集団の統計量を使用します。学習終了後に学習データが再度渡され、その結果得られる平均と分散を使用して最終的な統計量が決定されます。
"moving" — 学習中、以下の更新ステップで与えられる実行時推定を使用して統計量を近似します。

$\begin{array}{l} μ^{*} = λ_{μ} \hat{μ} + (1 - λ_{μ}) μ \\ σ^{2}^{*} = λ_{σ^{2}} \hat{σ^{2}} + (1- λ_{σ^{2}}) σ^{2} \end{array}$
ここで、 $μ^{*}$ と $σ^{2}^{*}$ はそれぞれ更新後の平均と分散、 $λ_{μ}$ と $λ_{σ^{2}}$ はそれぞれ平均と分散の減衰値、 $\hat{μ}$ と $\hat{σ^{2}}$ はそれぞれ層入力の平均と分散、 $μ$ と $σ^{2}$ はそれぞれ移動平均と分散の値の最新値を表します。学習終了後、最後に得られた移動平均と分散の値が使用されます。このオプションは、CPU および単一の GPU による学習のみをサポートします。
"auto" — "moving" オプションを使用します。

勾配クリップ

`GradientThreshold` — 勾配しきい値
`Inf` (既定値) | 正のスカラー

勾配しきい値。Inf または正のスカラーとして指定します。勾配が GradientThreshold の値を超えた場合、勾配は GradientThresholdMethod 学習オプションに応じてクリップされます。

詳細については、勾配クリップを参照してください。

`GradientThresholdMethod` — 勾配しきい値法
`"l2norm"` (既定値) | `"global-l2norm"` | `"absolute-value"`

勾配しきい値を超えた勾配の値をクリップするために使用する勾配しきい値法。次のいずれかに指定します。

"l2norm" — 学習可能なパラメーターの勾配の L₂ ノルムが GradientThreshold より大きい場合は、L₂ ノルムが GradientThreshold に等しくなるように勾配をスケーリングします。
"global-l2norm" — グローバル L₂ ノルム L が GradientThreshold より大きい場合は、すべての勾配を GradientThreshold/L 倍にスケーリングします。グローバル L₂ ノルムでは、すべての学習可能なパラメーターが考慮されます。
"absolute-value" — 学習可能なパラメーターの勾配に含まれる偏微分のうち、絶対値が GradientThreshold より大きいものについては、偏微分の符号を維持したまま、大きさが GradientThreshold に等しくなるように偏微分をスケーリングします。

詳細については、勾配クリップを参照してください。

シーケンス

`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。

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。

ハードウェアと高速化

`ExecutionEnvironment` — ニューラルネットワークの学習用のハードウェアリソース
`"auto"` (既定値) | `"cpu"` | `"gpu"` | `"multi-gpu"` | `"parallel-auto"` | `"parallel-cpu"` | `"parallel-gpu"`

ニューラルネットワークの学習用の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、ローカル GPU を使用します。そうでない場合、ローカル CPU を使用します。
"cpu" – ローカル CPU を使用します。
"gpu" – ローカル GPU 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-auto" – 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 をもつワーカーのみが学習計算を実行し、余ったワーカーはアイドル状態になります。プールに GPU がない場合、代わりに使用可能なすべての CPU ワーカーで学習が実行されます。 (R2024a 以降)
R2024a より前: 代わりに "parallel" を使用してください。
"parallel-cpu" – ローカルまたはリモートの並列プールにある CPU リソースを使用し、GPU は無視します。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。 (R2023b 以降)
"parallel-gpu" – ローカルまたはリモートの並列プールにある GPU を使用します。余ったワーカーはアイドル状態になります。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。 (R2023b 以降)

"gpu"、"multi-gpu"、"parallel-auto"、"parallel-cpu"、および "parallel-gpu" 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。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。

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。

並列学習の実行時に性能の改善を確認するには、MiniBatchSize および InitialLearnRate 学習オプションを GPU の数でスケールアップしてみてください。

`PreprocessingEnvironment` — データの取得と前処理を行うための環境
`"serial"` (既定値) | `"background` | `"parallel"`

R2024a 以降

学習時にデータストアからデータを取得して前処理を行うための環境。次のいずれかの値として指定します。

"serial" – データの取得と前処理は逐次実行されます。
"background" – バックグラウンドプールを使用してデータの取得と前処理が行われます。
"parallel" – 並列ワーカーを使用してデータの取得と前処理が行われます。ローカルプールが開かれていなければ、ソフトウェアは既定のプロファイルを使用して並列プールを開きます。ローカルではない並列プールはサポートされません。このオプションを使用するには、Parallel Computing Toolbox が必要です。並列で学習させる場合 (ExecutionEnvironment オプションが "parallel-auto"、"parallel-cpu"、"parallel-gpu"、または "multi-gpu" の場合)、このオプションはサポートされません。

"background" オプションまたは "parallel" オプションを使用するには、入力データストアがサブセット化可能または分割可能でなければなりません。カスタムデータストアには matlab.io.datastore.Subsettable クラスが実装されていなければなりません。

Shuffle オプションが "never" の場合、"background" オプションおよび "parallel" オプションはサポートされません。

"background" オプションおよび "parallel" オプションを使用した場合、deep.gpu.deterministicAlgorithms 関数を使用しても学習は非確定的になります。

ミニバッチに大幅な前処理が必要な場合は、"background" オプションを使用します。前処理がスレッドでサポートされていない場合、またはワーカー数を制御する必要がある場合は、"parallel" オプションを使用します。前処理環境の詳細については、Preprocess Data in the Background or in Parallelを参照してください。

R2024a より前: データを並列で前処理するには、DispatchInBackground 学習オプションを 1 (true) に設定します。

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

R2024a 以降

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。
"none" – すべての最適化を無効にします。

"auto" 高速化オプションを使用すると、パフォーマンス上のメリットが得られますが、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。サイズと形状が同じである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。

チェックポイント

`CheckpointPath` — チェックポイントニューラルネットワークの保存用のパス
`""` (既定値) | string スカラー | 文字ベクトル

チェックポイントニューラルネットワークの保存用のパス。string スカラーまたは文字ベクトルとして指定します。

パスを指定しない (既定の "" を使用する) 場合、チェックポイントニューラルネットワークは保存されません。
パスを指定すると、ソフトウェアによってこのパスにチェックポイントニューラルネットワークが保存され、各ニューラルネットワークに一意の名前が割り当てられます。その後、いずれかのチェックポイントニューラルネットワークを読み込み、そのニューラルネットワークから学習を再開できます。
フォルダーが存在していない場合、チェックポイントニューラルネットワークを保存するパスを指定する前に、まずフォルダーを作成しなければなりません。指定したパスが存在していない場合、ソフトウェアはエラーをスローします。

データ型: char | string

`CheckpointFrequency` — チェックポイントニューラルネットワークを保存する頻度
`1` (既定値) | 正の整数

チェックポイントニューラルネットワークを保存する頻度。正の整数として指定します。

CheckpointFrequencyUnit が "epoch" の場合、ソフトウェアは CheckpointFrequency エポックごとにチェックポイントニューラルネットワークを保存します。

CheckpointFrequencyUnit が "iteration" の場合、ソフトウェアは CheckpointFrequency 回の反復ごとにチェックポイントニューラルネットワークを保存します。

このオプションは、CheckpointPath が空でない場合にのみ有効です。

`CheckpointFrequencyUnit` — チェックポイントの頻度の単位
`"epoch"` (既定値) | `"iteration"`

チェックポイントの頻度の単位。"epoch" または "iteration" として指定します。

CheckpointFrequencyUnit が "epoch" の場合、ソフトウェアは CheckpointFrequency エポックごとにチェックポイントニューラルネットワークを保存します。

CheckpointFrequencyUnit が "iteration" の場合、ソフトウェアは CheckpointFrequency 回の反復ごとにチェックポイントニューラルネットワークを保存します。

このオプションは、CheckpointPath が空でない場合にのみ有効です。

例

すべて折りたたむ

RMSProp オプティマイザーの学習オプションの作成

ライブスクリプトを開く

RMSProp オプティマイザーを使用したニューラルネットワーク学習の一連のオプションを作成します。学習のエポックの最大回数を 20 に設定し、反復ごとに 64 個の観測値があるミニバッチを使用します。学習率と、勾配の二乗の移動平均の減衰率を指定します。学習の進行状況プロットをオンにします。

options = trainingOptions("rmsprop", ...
    InitialLearnRate=3e-4, ...
    SquaredGradientDecayFactor=0.99, ...
    MaxEpochs=20, ...
    MiniBatchSize=64, ...
    Plots="training-progress")

options = 
  TrainingOptionsRMSProp with properties:

                       MaxEpochs: 20
                InitialLearnRate: 3.0000e-04
               LearnRateSchedule: 'none'
             LearnRateDropFactor: 0.1000
             LearnRateDropPeriod: 10
                   MiniBatchSize: 64
                         Shuffle: 'once'
         CheckpointFrequencyUnit: 'epoch'
        PreprocessingEnvironment: 'serial'
                         Verbose: 1
                VerboseFrequency: 50
                  ValidationData: []
             ValidationFrequency: 50
              ValidationPatience: Inf
                         Metrics: []
             ObjectiveMetricName: 'loss'
            ExecutionEnvironment: 'auto'
                           Plots: 'training-progress'
                       OutputFcn: []
                  SequenceLength: 'longest'
            SequencePaddingValue: 0
        SequencePaddingDirection: 'right'
                InputDataFormats: "auto"
               TargetDataFormats: "auto"
         ResetInputNormalization: 1
    BatchNormalizationStatistics: 'auto'
                   OutputNetwork: 'auto'
                    Acceleration: "auto"
                  CheckpointPath: ''
             CheckpointFrequency: 1
        CategoricalInputEncoding: 'integer'
       CategoricalTargetEncoding: 'auto'
                L2Regularization: 1.0000e-04
         GradientThresholdMethod: 'l2norm'
               GradientThreshold: Inf
      SquaredGradientDecayFactor: 0.9900
                         Epsilon: 1.0000e-08

アルゴリズム

すべて展開する

平方根平均二乗伝播

モーメンタム項付き確率的勾配降下法は、すべてのパラメーターに対して 1 つの学習率を使用します。その他の最適化アルゴリズムでは、パラメーターごとに異なり、最適化対象の損失関数に自動的に適応できる学習率を使用して、ネットワーク学習の改善を試みます。平方根平均二乗伝播 (RMSProp) はそのようなアルゴリズムの 1 つです。これは、パラメーターの勾配について要素単位の二乗の移動平均を維持します。

$v_{ℓ} = β_{2} v_{ℓ - 1} + (1 - β_{2}) {[\nabla E (θ_{ℓ})]}^{2}$

β₂ は、移動平均の二乗勾配減衰係数です。減衰率の一般的な値は、0.9、0.99、および 0.999 です。対応する勾配の二乗の平均化長は、1/(1-β₂) に等しく、それぞれ 10、100、および 1000 回のパラメーター更新です。RMSProp アルゴリズムでは、この移動平均を使用して各パラメーターの更新を個別に正規化します。

$θ_{ℓ + 1} = θ_{ℓ} - \frac{α \nabla E (θ_{ℓ})}{\sqrt{v_{ℓ}} + ϵ}$

ここで、除算は要素単位で実行されます。RMSProp を使用すると、勾配が大きいパラメーターの学習率は効果的に減少し、勾配が小さいパラメーターの学習率は増加します。ɛ は、ゼロ除算を回避するために追加する小さい定数です。

L₂ 正則化

損失関数 $E (θ)$ への重みの正則化項の追加は、過適合を抑える方法の 1 つです[1]、[2]。正則化項は、"重み減衰" とも呼ばれます。正則化項付きの損失関数は、以下の形式を取ります。

$E_{R} (θ) = E (θ) + λ Ω (w),$

ここで、 $w$ は重みベクトル、 $λ$ は正則化係数です。正則化関数 $Ω (w)$ は以下のようになります。

$Ω (w) = \frac{1}{2} w^{T} w .$

バイアスは正則化されないことに注意してください[2]。L2Regularization 学習オプションを使用して、正則化係数 $λ$ を指定できます。setL2Factor 関数を使用して、個々の層と学習可能なパラメーターの正則化係数を指定することもできます。

ネットワーク学習に使用される損失関数には、正則化項が含まれます。ただし、学習中にコマンドウィンドウと学習の進行状況プロットに表示される損失値はデータのみの損失であり、正則化項は含まれません。

勾配クリップ

勾配の大きさが指数関数的に増加する場合、学習は不安定になり、数回の反復で発散する場合があります。この "勾配爆発" は、学習損失が NaN または Inf になることによって示されます。勾配クリップは、学習率が大きい場合や外れ値が存在する場合に学習を安定させることによって、勾配爆発を防ぎます[3]。勾配クリップを使用すると、ネットワークの学習が高速になり、通常は学習済みタスクの精度に影響はありません。

勾配クリップは 2 種類あります。

ノルムベースの勾配クリップでは、しきい値に基づいて勾配を再スケーリングし、勾配の方向は変更しません。GradientThresholdMethod の "l2norm" 値と "global-l2norm" 値は、ノルムベースの勾配クリップ法です。
値ベースの勾配クリップでは、しきい値より大きい任意の偏微分をクリップします。この場合、勾配の方向が任意に変化する可能性があります。値ベースの勾配クリップの動作は予測できないものになる場合がありますが、変化が十分に小さければ、ネットワークが発散することはありません。GradientThresholdMethod の値 "absolute-value" は、値ベースの勾配クリップ法です。

参照

[1] Bishop, C. M. Pattern Recognition and Machine Learning. Springer, New York, NY, 2006.

[2] Murphy, K. P. Machine Learning: A Probabilistic Perspective. The MIT Press, Cambridge, Massachusetts, 2012.

[3] Pascanu, R., T. Mikolov, and Y. Bengio. "On the difficulty of training recurrent neural networks". Proceedings of the 30th International Conference on Machine Learning. Vol. 28(3), 2013, pp. 1310–1318.

バージョン履歴

R2018a で導入

すべて展開する

R2025a: categorical 入力と categorical ターゲットの数値符号化の指定

ニューラルネットワークに学習させるために categorical 入力と categorical ターゲットを数値に変換する方法を指定するには、それぞれ CategoricalInputEncoding 引数と CategoricalTargetEncoding 引数を使用します。

R2024b: より多くの学習率スケジュールを使用したニューラルネットワークの学習

以下の学習率スケジュールを trainingOptions 関数の LearnRateSchedule 引数として指定して、ニューラルネットワークに学習させます。

"warmup" — ウォームアップ学習率スケジュール
"polynomial" — 多項式学習率スケジュール
"exponential" — 指数学習率スケジュール
"cosine" — 余弦学習率スケジュール
"cyclical" — 周期的学習率スケジュール

これらの学習率スケジュールをカスタマイズするには、以下のオブジェクトを使用します。

warmupLearnRate — ウォームアップ学習率スケジュールオブジェクト
polynomialLearnRate — 多項式学習率スケジュール
exponentialLearnRate — 指数学習率スケジュール
cosineLearnRate — 余弦学習率スケジュール
cyclicalLearnRate — 周期的学習率スケジュール

以前のバージョンでは、区分的学習率スケジュールを使用するか、学習率スケジュールなしで学習させることができました。

既存の区分的学習率スケジュールをカスタマイズするには、piecewiseLearnRate オブジェクトを使用します。

カスタムスケジュールを指定するには、構文 learnRate = f(initialLearnRate,epoch) で関数ハンドルを使用するか、deep.LearnRateSchedule から継承するクラスを定義して独自のカスタム学習率スケジュールオブジェクトを定義します。

R2024b: 学習時におけるより多くの指標の監視およびプロット

学習時およびテスト時に、新しいメトリクスオブジェクトや更新されたメトリクスオブジェクトを使用します。

MAPEMetric — 平均絶対誤差率 (MAPE)
新しい NumTopKClasses オプション付きの AccuracyMetric — 上位 k 位の精度
新しい Beta オプション付きの FScoreMetric — F_β スコア

以下の新しい組み込みのメトリクスと損失名を直接指定することもできます。

"mape" — 平均絶対誤差率 (MAPE)
"crossentropy" — クロスエントロピー損失
"index-crossentropy" — インデックスクロスエントロピー損失
"binary-crossentropy" — バイナリクロスエントロピー損失
"mse" / "mean-squared-error" / "l2loss" — 平均二乗誤差
"mae" / "mean-absolute-error" / "l1loss" — 平均絶対誤差
"huber" — Huber 損失

R2024a: `minibatchqueue` オブジェクトを使用した検証データの指定

引数 ValidationData を使用して、検証データを minibatchqueue オブジェクトとして指定します。

R2024a: パフォーマンスの自動最適化

パフォーマンスの自動最適化によって、学習が高速化されます。関数 trainnet を使用してネットワークに学習させる場合、パフォーマンスの自動最適化は既定で有効になります。関数 trainingOptions を使用して Acceleration オプションを "none" に設定することで、パフォーマンスの最適化を無効にできます。

R2024a: `deep.DifferentiableFunction` オブジェクトとしてのメトリクスの指定

メトリクスを deep.DifferentiableFunction オブジェクトとして指定します。

R2024a: `DispatchInBackground` 学習オプションは非推奨

DispatchInBackground 学習オプションは推奨されません。代わりに PreprocessingEnvironment オプションを使用してください。

PreprocessingEnvironment オプションは同じ機能を提供します。また、このオプションを使用すると、PreprocessingEnvironment を "background" に設定したときに、前処理で backgroundPool を使用することができます。

コードを更新する方法を次の表に示します。

非推奨	推奨
`trainingOptions(solverName,DispatchInBackground=false)` (既定)	`trainingOptions(solverName,PreprocessingEnvironment="serial")` (既定)
`trainingOptions(solverName,DispatchInBackground=true)`	`trainingOptions(solverName,PreprocessingEnvironment="parallel")`

DispatchInBackground オプションを削除する予定はありません。

R2024a: `OutputNetwork` の既定は `"auto"`

R2024a 以降、OutputNetwork 学習オプションの既定値は "auto" になります。検証データを指定した場合、ソフトウェアは最良の検証メトリクス値に対応するネットワークを返します。検証データを指定しなかった場合、ソフトウェアは最後の学習反復に対応するネットワークを返します。検証データがあるときに以前の既定値を再現するには、OutputNetwork を "last-iteration" に設定します。

この変更は、学習オプションを trainnet と共に使用している場合にのみ適用されます。学習オプションを関数 trainNetwork と共に使用している場合、動作に変更はなく、ソフトウェアは既定で最後の学習反復に対応するネットワークを返します。

R2024a: `OutputNetwork` の値 `"best-validation-loss"` は非推奨

OutputNetwork を "best-validation-loss" として指定することは推奨されません。コードで OutputNetwork が "best-validation-loss" に設定されている場合、代わりに "best-validation" を使用してください。ソフトウェアは、ObjectiveMetricName オプションで指定された最良の検証メトリクス値に対応するネットワークを返します。既定では、ObjectiveMetricName の値は "loss" に設定されています。この動作は、学習オプションを関数 trainnet と共に使用した場合にのみ適用されます。

学習オプションを関数 trainNetwork と共に使用し、OutputNetwork を "best-validation" として指定した場合、ソフトウェアは、検証損失値が最良であるネットワークを常に返します。

R2024a: `ExecutionEnvironment` の値 `"parallel"` は非推奨

R2024a 以降、ExecutionEnvironment オプションを "parallel" として指定することは推奨されません。代わりに "parallel-auto" を使用してください。

"parallel-auto" は、"parallel" と比べて次の利点があります。

ソフトウェアは、利用可能なあらゆるハードウェアを使用して自動的に並列学習を行うため、このオプションの名前は実行環境をより正確に表しています。
このオプションの名前は、逐次版の "auto" と整合性があります。

"parallel" オプションを削除する予定はありません。"parallel-auto" は関数 trainnet のみをサポートします。学習オプションを関数 trainNetwork と共に使用している場合は、引き続き "parallel" を使用してください。

R2024a: `WorkerLoad` 学習オプションは非推奨

R2024a 以降、WorkerLoad 学習オプションの指定は推奨されません。代わりに、spmd (Parallel Computing Toolbox) または環境変数 CUDA_VISIBLE_DEVICES を使用してください。

関数 trainNetwork を使用する学習ネットワークの WorkerLoad のサポートを削除する予定はありません。WorkerLoad は、関数 trainnet を使用する学習ネットワークではサポートされません。

WorkerLoad の代表的な使用法と、代わりに spmd または環境変数 CUDA_VISIBLE_DEVICES を使用するためのコードの更新方法を、次の表に示します。

非推奨	推奨
options = trainingOptions(solver, ... ExecutionEnvironment="multi-gpu", ... WorkerLoad=[1 1 0 1]);	% Alternative 1 pool = parpool(3); spmd if spmdIndex == 3 gpuDevice(spmdIndex + 1); else gpuDevice(spmdIndex); end end options = trainingOptions(solver, ... ExecutionEnvironment="multi-gpu"); % Alternative 2 % Set this environment variable immediately after your start MATLAB. setenv("CUDA_VISIBLE_DEVICES","0,1,3"); options = trainingOptions(solver, ... ExecutionEnvironment="multi-gpu");
options = trainingOptions(solver, ... ExecutionEnvironment="parallel", ... WorkerLoad=[1 1 0 1]);	pool = parpool(3); spmd if spmdIndex == 3 gpuDevice(spmdIndex + 1); else gpuDevice(spmdIndex); end end options = trainingOptions(solver, ... ExecutionEnvironment="parallel-auto");

非推奨

推奨

options = trainingOptions(solver, ...
ExecutionEnvironment="multi-gpu", ...
WorkerLoad=[1 1 0 1]);

% Alternative 1
pool = parpool(3);

spmd
    if spmdIndex == 3
        gpuDevice(spmdIndex + 1);
    else
        gpuDevice(spmdIndex);
    end
end

options = trainingOptions(solver, ...
ExecutionEnvironment="multi-gpu");

% Alternative 2
% Set this environment variable immediately after your start MATLAB.
setenv("CUDA_VISIBLE_DEVICES","0,1,3");

options = trainingOptions(solver, ...
ExecutionEnvironment="multi-gpu");

options = trainingOptions(solver, ...
ExecutionEnvironment="parallel", ...
WorkerLoad=[1 1 0 1]);

pool = parpool(3);

spmd
    if spmdIndex == 3
        gpuDevice(spmdIndex + 1);
    else
        gpuDevice(spmdIndex);
    end
end

options = trainingOptions(solver, ...
ExecutionEnvironment="parallel-auto");

これまで WorkerLoad オプションを使用してデータ前処理用のワーカーを予約していた場合は、PreprocessingEnvironment オプションを "background" として指定して、データをバックグラウンドで前処理することも検討してください。

R2023b: 入力とターゲットのデータ形式の指定

入力とターゲットのデータ形式は、それぞれ InputDataFormats オプションおよび TargetDataFormats オプションを使用して指定します。

このオプションは関数 trainnet のみをサポートします。

R2023b: CPU リソースのみまたは GPU リソースのみを使用したニューラルネットワークの並列学習

ExecutionEnvironment を "parallel-cpu" または "parallel-gpu" として指定することで、特定のハードウェアリソースを使用してニューラルネットワークの並列学習を行います。

このオプションは関数 trainnet のみをサポートします。

R2023b: `BatchNormalizationStatistics` の既定は `"auto"`

R2023b 以降、BatchNormalizationStatistics 学習オプションの既定値は "auto" になります。

この変更は関数の動作には影響しません。BatchNormalizationStatistics プロパティをチェックするコードがある場合は、"auto" オプションに対応するようにコードを更新します。

R2022b: `SequenceLength` 学習オプションを整数として指定した場合、`trainNetwork` 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 trainNetwork を使用してシーケンスデータでニューラルネットワークに学習させるときに、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でニューラルネットワークの学習が行われ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、カスタム学習ループを使用し、データのミニバッチを前処理するタイミングでこの動作を実装します。

R2018b: `ValidationPatience` 学習オプションの既定値は `Inf`

R2018b 以降では、ValidationPatience 学習オプションの既定値が Inf になっています。これは、検証による自動停止がオフであることを意味します。これにより、データから十分に学習する前に学習が停止するのを防ぎます。

以前のバージョンの既定値は 5 です。この動作を再現するには、ValidationPatience オプションを 5 に設定します。

参考

trainnet | trainingOptions | dlnetwork

TrainingOptionsRMSProp

説明

作成

プロパティ

RMSProp

MaxEpochs — エポックの最大回数 30 (既定値) | 正の整数

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

Shuffle — データのシャッフルのオプション "once" (既定値) | "never" | "every-epoch"

InitialLearnRate — 初期学習率 0.001 (既定値) | 正のスカラー

LearnRateSchedule — 学習率スケジュール "none" (既定値) | 文字ベクトル | string 配列 | 組み込みまたはカスタムの学習率スケジュール オブジェクト | 関数ハンドル | cell 配列

組み込みの学習率スケジュール名

組み込みの学習率スケジュール オブジェクト (R2024b 以降)

カスタム学習率スケジュール (R2024b 以降)

複数の学習率スケジュール (R2024b 以降)

LearnRateDropPeriod — 学習率を下げるまでのエポック数 10 (既定値) | 正の整数

LearnRateDropFactor — 学習率を下げる係数 0.1 (既定値) | 0 から 1 までのスカラー

SquaredGradientDecayFactor — 勾配の二乗の移動平均の減衰率 0.9 (既定値) | 1 未満の非負のスカラー

Epsilon — 分母のオフセット 1e-8 (既定値) | 正のスカラー

データ レイアウト

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

CategoricalTargetEncoding — categorical ターゲットの符号化 "auto" (既定値) | "integer" | "one-hot"

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

TargetDataFormats — ターゲット 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

監視

Plots — ニューラル ネットワークの学習中に表示するプロット "none" (既定値) | "training-progress"

Metrics — 監視するメトリクス [] (既定値) | 文字ベクトル | string 配列 | 関数ハンドル | deep.DifferentiableFunction オブジェクト (R2024a 以降) | cell 配列 | メトリクス オブジェクト

ObjectiveMetricName — オブジェクティブ メトリクスの名前 "loss" (既定値) | string スカラー | 文字ベクトル

Verbose — 学習の進行状況の情報を表示するためのフラグ 1 (true) (既定値) | 0 (false)

VerboseFrequency — 詳細出力の頻度 50 (既定値) | 正の整数

OutputFcn — 出力関数 関数ハンドル | 関数ハンドルの cell 配列

検証

ValidationData — 学習中の検証に使用するデータ [] (既定値) | データストア | table | cell 配列 | minibatchqueue オブジェクト (R2024a 以降)

関数 trainnet

関数 trainBERTDocumentClassifier (Text Analytics Toolbox)

ValidationFrequency — ニューラル ネットワークの検証の頻度 50 (既定値) | 正の整数

ValidationPatience — 検証停止までの待機回数 Inf (既定値) | 正の整数

OutputNetwork — 学習完了時に返すニューラル ネットワーク "auto" (既定値) | "last-iteration" | "best-validation"

正則化と正規化

L2Regularization — L2 正則化の係数 0.0001 (既定値) | 非負のスカラー

ResetInputNormalization — 入力層の正規化をリセットするオプション 1 (true) (既定値) | 0 (false)

BatchNormalizationStatistics — バッチ正規化層の統計量を評価するモード "auto" (既定値) | "population" | "moving"

勾配クリップ

GradientThreshold — 勾配しきい値 Inf (既定値) | 正のスカラー

GradientThresholdMethod — 勾配しきい値法 "l2norm" (既定値) | "global-l2norm" | "absolute-value"

シーケンス

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 — 入力シーケンスをパディングする値 0 (既定値) | スカラー

ハードウェアと高速化

ExecutionEnvironment — ニューラル ネットワークの学習用のハードウェア リソース "auto" (既定値) | "cpu" | "gpu" | "multi-gpu" | "parallel-auto" | "parallel-cpu" | "parallel-gpu"

PreprocessingEnvironment — データの取得と前処理を行うための環境 "serial" (既定値) | "background | "parallel"

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

チェックポイント

CheckpointPath — チェックポイント ニューラル ネットワークの保存用のパス "" (既定値) | string スカラー | 文字ベクトル

CheckpointFrequency — チェックポイント ニューラル ネットワークを保存する頻度 1 (既定値) | 正の整数

CheckpointFrequencyUnit — チェックポイントの頻度の単位 "epoch" (既定値) | "iteration"

例

RMSProp オプティマイザーの学習オプションの作成

アルゴリズム

平方根平均二乗伝播

L2 正則化

勾配クリップ

参照

バージョン履歴

R2025a: categorical 入力と categorical ターゲットの数値符号化の指定

R2024b: より多くの学習率スケジュールを使用したニューラル ネットワークの学習

R2024b: 学習時におけるより多くの指標の監視およびプロット

R2024a: minibatchqueue オブジェクトを使用した検証データの指定

R2024a: パフォーマンスの自動最適化

R2024a: deep.DifferentiableFunction オブジェクトとしてのメトリクスの指定

R2024a: DispatchInBackground 学習オプションは非推奨

R2024a: OutputNetwork の既定は "auto"

R2024a: OutputNetwork の値 "best-validation-loss" は非推奨

R2024a: ExecutionEnvironment の値 "parallel" は非推奨

R2024a: WorkerLoad 学習オプションは非推奨

R2023b: 入力とターゲットのデータ形式の指定

R2023b: CPU リソースのみまたは GPU リソースのみを使用したニューラル ネットワークの並列学習

R2023b: BatchNormalizationStatistics の既定は "auto"

R2022b: SequenceLength 学習オプションを整数として指定した場合、trainNetwork 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

R2018b: ValidationPatience 学習オプションの既定値は Inf

`MaxEpochs` — エポックの最大回数
`30` (既定値) | 正の整数

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

`Shuffle` — データのシャッフルのオプション
`"once"` (既定値) | `"never"` | `"every-epoch"`

`InitialLearnRate` — 初期学習率
`0.001` (既定値) | 正のスカラー

`LearnRateSchedule` — 学習率スケジュール
`"none"` (既定値) | 文字ベクトル | string 配列 | 組み込みまたはカスタムの学習率スケジュールオブジェクト | 関数ハンドル | cell 配列

組み込みの学習率スケジュールオブジェクト (R2024b 以降)

`LearnRateDropPeriod` — 学習率を下げるまでのエポック数
`10` (既定値) | 正の整数

`LearnRateDropFactor` — 学習率を下げる係数
`0.1` (既定値) | `0` から `1` までのスカラー

`SquaredGradientDecayFactor` — 勾配の二乗の移動平均の減衰率
`0.9` (既定値) | `1` 未満の非負のスカラー

`Epsilon` — 分母のオフセット
`1e-8` (既定値) | 正のスカラー

データレイアウト

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

`CategoricalTargetEncoding` — categorical ターゲットの符号化
`"auto"` (既定値) | `"integer"` | `"one-hot"`

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

`TargetDataFormats` — ターゲット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

`Plots` — ニューラルネットワークの学習中に表示するプロット
`"none"` (既定値) | `"training-progress"`

`Metrics` — 監視するメトリクス
`[]` (既定値) | 文字ベクトル | string 配列 | 関数ハンドル | `deep.DifferentiableFunction` オブジェクト (R2024a 以降) | cell 配列 | メトリクスオブジェクト

`ObjectiveMetricName` — オブジェクティブメトリクスの名前
`"loss"` (既定値) | string スカラー | 文字ベクトル

`Verbose` — 学習の進行状況の情報を表示するためのフラグ
`1` (`true`) (既定値) | `0` (`false`)

`VerboseFrequency` — 詳細出力の頻度
`50` (既定値) | 正の整数

`OutputFcn` — 出力関数
関数ハンドル | 関数ハンドルの cell 配列

`ValidationData` — 学習中の検証に使用するデータ
`[]` (既定値) | データストア | table | cell 配列 | `minibatchqueue` オブジェクト (R2024a 以降)

関数 `trainnet`

関数 `trainBERTDocumentClassifier` (Text Analytics Toolbox)

`ValidationFrequency` — ニューラルネットワークの検証の頻度
`50` (既定値) | 正の整数

`ValidationPatience` — 検証停止までの待機回数
`Inf` (既定値) | 正の整数

`OutputNetwork` — 学習完了時に返すニューラルネットワーク
`"auto"` (既定値) | `"last-iteration"` | `"best-validation"`

`L2Regularization` — L₂ 正則化の係数
`0.0001` (既定値) | 非負のスカラー

`ResetInputNormalization` — 入力層の正規化をリセットするオプション
`1` (`true`) (既定値) | `0` (`false`)

`BatchNormalizationStatistics` — バッチ正規化層の統計量を評価するモード
`"auto"` (既定値) | `"population"` | `"moving"`

`GradientThreshold` — 勾配しきい値
`Inf` (既定値) | 正のスカラー

`GradientThresholdMethod` — 勾配しきい値法
`"l2norm"` (既定値) | `"global-l2norm"` | `"absolute-value"`

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

`ExecutionEnvironment` — ニューラルネットワークの学習用のハードウェアリソース
`"auto"` (既定値) | `"cpu"` | `"gpu"` | `"multi-gpu"` | `"parallel-auto"` | `"parallel-cpu"` | `"parallel-gpu"`

`PreprocessingEnvironment` — データの取得と前処理を行うための環境
`"serial"` (既定値) | `"background` | `"parallel"`

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

`CheckpointPath` — チェックポイントニューラルネットワークの保存用のパス
`""` (既定値) | string スカラー | 文字ベクトル

`CheckpointFrequency` — チェックポイントニューラルネットワークを保存する頻度
`1` (既定値) | 正の整数

`CheckpointFrequencyUnit` — チェックポイントの頻度の単位
`"epoch"` (既定値) | `"iteration"`

L₂ 正則化

R2024b: より多くの学習率スケジュールを使用したニューラルネットワークの学習

R2024a: `minibatchqueue` オブジェクトを使用した検証データの指定

R2024a: `deep.DifferentiableFunction` オブジェクトとしてのメトリクスの指定

R2024a: `DispatchInBackground` 学習オプションは非推奨

R2024a: `OutputNetwork` の既定は `"auto"`

R2024a: `OutputNetwork` の値 `"best-validation-loss"` は非推奨

R2024a: `ExecutionEnvironment` の値 `"parallel"` は非推奨

R2024a: `WorkerLoad` 学習オプションは非推奨

R2023b: CPU リソースのみまたは GPU リソースのみを使用したニューラルネットワークの並列学習

R2023b: `BatchNormalizationStatistics` の既定は `"auto"`

R2022b: `SequenceLength` 学習オプションを整数として指定した場合、`trainNetwork` 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

R2018b: `ValidationPatience` 学習オプションの既定値は `Inf`