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応答の予測
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。
[YPred1,...,YPredM] = predict(___)
は、前述の構文を使用して多出力ネットワークの M
出力の応答を予測します。出力 YPredj
はネットワーク出力 net.OutputNames(j)
に対応します。分類出力層の categorical 出力を返すには、'ReturnCategorical'
オプションを true
に設定します。
___ = predict(___,
は、1 つ以上の名前と値のペアの引数で指定された追加オプションを使用して、応答を予測します。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。
イメージ データに NaN
が含まれる場合、predict
はこれらをネットワークを通じて伝播します。ネットワークに ReLU 層がある場合、これらの層は NaN
を無視します。ただし、ネットワークに ReLU 層が含まれない場合、predict
は NaN を予測として返します。
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。
classify
を使用して学習済みネットワークから予測スコアと予測クラスを計算できます。
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 (LSTM 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