train

(削除予定) 浅層ニューラル ネットワークの学習

train は将来のリリースで削除される予定です。詳細については、Transition Legacy Neural Network Code to dlnetwork Workflowsを参照してください。

コードの更新に関するアドバイスについては、バージョン履歴を参照してください。

構文

trainedNet = train(net,X,T,Xi,Ai,EW)

[trainedNet,tr] = train(net,X,T,Xi,Ai,EW)

[trainedNet,tr] = train(net,X,T,Xi,Ai,EW,Name,Value)

説明

この関数は浅層ニューラル ネットワークに学習させます。深層学習ネットワーク (畳み込みネットワークや LSTM ネットワークなど) に学習させる場合は、関数 trainnet を使用します。

trainedNet = train(net,X,T,Xi,Ai,EW) は、net.trainFcn および net.trainParam に従ってネットワーク net に学習させます。

[trainedNet,tr] = train(net,X,T,Xi,Ai,EW) は、学習記録も返します。

[trainedNet,tr] = train(net,X,T,Xi,Ai,EW,Name,Value) 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ネットワークに学習させます。

例

ネットワークの学習およびプロット

以下では、入力 x およびターゲット t によって、プロットできる簡単な関数が定義されます。

x = [0 1 2 3 4 5 6 7 8];
t = [0 0.84 0.91 0.14 -0.77 -0.96 -0.28 0.66 0.99];
plot(x,t,'o')

ここでは、feedforwardnet によって、2 層フィードフォワード ネットワークが作成されます。このネットワークには、10 個のニューロンがある 1 つの隠れ層があります。

net = feedforwardnet(10);
net = configure(net,x,t);
y1 = net(x)
plot(x,t,'o',x,y1,'x')

ネットワークに学習させ、再度シミュレーションを行います。

net = train(net,x,t);
y2 = net(x)
plot(x,t,'o',x,y1,'x',x,y2,'*')

入力引数

net — 入力ネットワーク

network オブジェクト

入力ネットワーク。network オブジェクトとして指定します。network オブジェクトを作成するには、feedforwardnet、narxnet などを使用します。

X — ネットワークの入力

行列 | cell 配列 | Composite データ | gpuArray

ネットワーク入力。R 行 Q 列の行列または Ni 行 TS 列の cell 配列として指定します。ここで、

• R は入力サイズ

• Q はバッチ サイズ

• Ni = net.numInputs

• TS はタイム ステップ数

引数 train には、行列 (静的な問題、および単一の入出力があるネットワーク) および cell 配列 (複数のタイム ステップ、および複数の入出力があるネットワーク) の 2 つの形式があります。

• 行列形式は、1 タイム ステップのみのシミュレーションが行われる (TS = 1) 場合に使用できます。これは入出力が 1 つしかないネットワークの場合に便利ですが、複数の入出力があるネットワークにも使用できます。ネットワークに複数の入力がある場合、行列のサイズは (Ri の合計) 行 Q 列になります。

• cell 配列形式はより一般的で、複数の入出力があるネットワークの場合、入力をシーケンスで与えることができてより便利です。各要素 X{i,ts} は、Ri 行 Q 列の行列です。ここで Ri = net.inputs{i}.size です。

Composite データが使用される場合、'useParallel' が自動的に 'yes' に設定されます。関数は Composite データを取り、Composite の結果を返します。

gpuArray データが使用される場合、'useGPU' が自動的に 'yes' に設定されます。関数は gpuArray データを取り、gpuArray の結果を返します。

メモ

X の列に 1 つ以上の NaN が含まれる場合、train はこの列を学習、テスト、または検証に使用しません。

T — ネットワークのターゲット

ゼロ配列またはゼロ行列 (既定値) | 行列 | cell 配列 | Composite データ | gpuArray

ネットワークのターゲット。U 行 Q 列の行列または No 行 TS 列の cell 配列として指定します。ここで、

• U は出力サイズ

• Q はバッチ サイズ

• No = net.numOutputs

• TS はタイム ステップ数

引数 train には、行列 (静的な問題、および単一の入出力があるネットワーク) および cell 配列 (複数のタイム ステップ、および複数の入出力があるネットワーク) の 2 つの形式があります。

• 行列形式は、1 タイム ステップのみのシミュレーションが行われる (TS = 1) 場合に使用できます。これは入出力が 1 つしかないネットワークの場合に便利ですが、複数の入出力があるネットワークにも使用できます。ネットワークに複数の入力がある場合、行列のサイズは (Ui の合計) 行 Q 列になります。

• cell 配列形式はより一般的で、複数の入出力があるネットワークの場合、入力をシーケンスで与えることができてより便利です。各要素 T{i,ts} は、Ui 行 Q 列の行列です。ここで Ui = net.outputs{i}.size です。

Composite データが使用される場合、'useParallel' が自動的に 'yes' に設定されます。関数は Composite データを取り、Composite の結果を返します。

gpuArray データが使用される場合、'useGPU' が自動的に 'yes' に設定されます。関数は gpuArray データを取り、gpuArray の結果を返します。

T はオプションであり、ターゲットを必要とするネットワークにのみ使用する必要があることに注意してください。

メモ

ターゲット T にある NaN 値はすべて、欠損データとして扱われます。T の要素が NaN である場合、その要素は学習、テスト、または検証に使用されません。

Xi — 入力遅延の初期条件

ゼロ配列またはゼロ行列 (既定値) | cell 配列 | 行列

入力遅延の初期条件。Ni 行 ID 列の cell 配列または R 行 (ID*Q) 列の行列として指定します。ここで、

• ID = net.numInputDelays

• Ni = net.numInputs

• R は入力サイズ

• Q はバッチ サイズ

cell 配列入力の場合、Xi の列は、最も古い遅延条件から最新の遅延条件まで順に並べられます。Xi{i,k} は時間 ts = k - ID での入力 i です。

Xi もオプションであり、入力または層の遅延があるネットワークにのみ使用する必要があります。

Ai — 層遅延の初期条件

ゼロ配列またはゼロ行列 (既定値) | cell 配列 | 行列

層遅延の初期条件。Nl 行 LD 列の cell 配列または (Si の合計) 行 LD*Q 列の行列として指定します。ここで、

• Nl = net.numLayers

• LD = net.numLayerDelays

• Si = net.layers{i}.size

• Q はバッチ サイズ

cell 配列入力の場合、Ai の列は、最も古い遅延条件から最新の遅延条件まで順に並べられます。Ai{i,k} は時間 ts = k - LD での層出力 i です。

EW — 誤差の重み

cell 配列

誤差の重み。No 行 TS 列の cell 配列または (Ui の合計) 行 Q 列の行列として指定します。ここで、

• No = net.numOutputs

• TS はタイム ステップ数

• Ui = net.outputs{i}.size

• Q はバッチ サイズ

cell 配列入力の場合、各要素 EW{i,ts} は Ui 行 Q 列の行列です。ここで、

• Ui = net.outputs{i}.size

• Q はバッチ サイズ

誤差の重み EW は、No、TS、Ui、または Q のすべてまたはいずれかの代わりに、サイズ 1 になることもあります。この場合、EW は、ターゲット T と一致するように次元が自動的に拡張されます。これによって、(サンプル単位など) 任意の次元で簡単に重要度に重みを付けることができると同時に、(TS=1 の場合の時間など) 別の次元でも同じ重要度を使用できます。すべての次元が 1 の場合 (EW = {1} の場合など)、すべてのターゲット値が同じ重要度で扱われます。これは、EW の既定値です。

上述したように、誤差の重み EW はターゲット T と同じ次元にするか、一部の次元を 1 に設定することができます。たとえば、EW が 1 行 Q 列の場合、ターゲット サンプルの重要度はそれぞれ異なりますが、サンプル内の各要素の重要度は同じになります。EW が (Ui の合計) 行 1 列の場合、各出力要素の重要度は異なりますが、すべてのサンプルが同じ重要度で扱われます。

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: 'useParallel','yes'

useParallel — 並列計算を指定するオプション

'no' (既定値) | 'yes'

並列計算を指定するオプション。'yes' または 'no' として指定します。

• 'no' – 通常の MATLAB スレッドで計算が実行されます。これは、'useParallel' の既定の設定です。

• 'yes' – 並列プールが開いている場合、計算は並列ワーカーで実行されます。開いている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。

useGPU — GPU 計算を指定するオプション

'no' (既定値) | 'yes' | 'only'

GPU 計算を指定するオプション。'yes'、'no'、または 'only' として指定します。

• 'no' – CPU で計算が実行されます。これは、'useGPU' の既定の設定です。

• 'yes' – 現在の gpuDevice がサポートされている GPU の場合 (Parallel Computing Toolbox™ の GPU 要件を参照)、計算はこの gpuDevice で実行されます。現在の gpuDevice がサポートされていない場合、計算は CPU で実行されます。'useParallel' も 'yes' であり、並列プールが開いている場合、固有の GPU を持つ各ワーカーはその GPU を使用し、他のワーカーはそれぞれの CPU コアで計算を実行します。

• 'only' – どの並列プールも開いていない場合、この設定は 'yes' と同じになります。並列プールが開いている場合、固有の GPU を持つワーカーのみが使用されます。ただし、並列プールが開いていても、サポートされている GPU が利用できない場合、計算は全ワーカー CPU での実行に戻ります。

showResources — リソースを表示するオプション

'no' (既定値) | 'yes'

リソースを表示するオプション。'yes' または 'no' として指定します。

• 'no' – 使用されるコンピューティング リソースをコマンド ラインに表示しません。これは既定の設定です。

• 'yes' – 実際に使用されるコンピューティング リソースの概要をコマンド ラインに表示します。並列計算または GPU コンピューティングが要求されても、並列プールが開いていないか、サポートされている GPU が利用できない場合、実際のリソースが要求されたリソースと異なる場合があります。並列ワーカーが使用される場合、使用されていないプール内のワーカーを含む、各ワーカーの計算モードが示されます。

reduction — メモリ削減

1 (既定値) | 正の整数

メモリ削減。正の整数として指定します。

ほとんどのニューラル ネットワークでは、既定の CPU 学習計算モードはコンパイルされた MEX アルゴリズムになります。ただし、大規模ネットワークでは、MATLAB^® 計算モードを使用して計算が行われる場合もあります。これは、'showResources' を使用して確認できます。MATLAB が使用されており、メモリが問題である場合は、削減オプションの値 N を 1 より大きい値に設定すると、学習時間が長くなる代わりに、N の係数で学習に必要な一時ストレージの量が減ります。

CheckpointFile — チェックポイント ファイル

'' (既定値) | 文字ベクトル

チェックポイント ファイル。文字ベクトルとして指定します。

'CheckpointFile' の値は、現在の作業フォルダーに保存するファイル名または別のフォルダーのファイル パスに設定するか、または空の string に設定してチェックポイントの保存を無効にする (既定値) ことができます。

CheckpointDelay — チェックポイント遅延

60 (既定値) | 非負の整数

チェックポイント遅延。非負の整数として指定します。

オプションのパラメーター 'CheckpointDelay' は、保存頻度を制限します。チェックポイントの頻度を制限することで、チェックポイントの保存にかかる時間が計算にかかる時間より短く抑えられ、効率を向上できます。既定値は 60 です。これは、チェックポイントの保存が 1 分間に 1 回以上行われないことを意味します。チェックポイントの保存が各エポックで 1 回のみ行われるようにするには、'CheckpointDelay' の値を 0 に設定します。

出力引数

trainedNet — 学習済みネットワーク

network オブジェクト

学習済みネットワーク。network オブジェクトとして返されます。

tr — 学習記録

構造体

学習記録 (epoch および perf)。フィールドがネットワーク学習関数 (net.NET.trainFcn) によって異なる構造体として返されます。含まれるフィールドには以下のものがあります。

• 学習、データ分割、性能の関数およびパラメーター

• 学習セット、検証セット、およびテスト セットのデータ分割インデックス

• 学習セット、検証セット、およびテスト セットのデータ分割マスク

• エポックの数 (num_epochs) および最適なエポック (best_epoch)

• 学習の状態名の一覧 (states)

• 学習全体を通じて値を記録する各状態名のフィールド

• 各エポックにおいて評価されたネットワークの最高性能: 学習セットでの最高性能 (best_perf)、検証セットでの最高性能 (best_vperf)、およびテスト セットでの最高性能 (best_tperf)

アルゴリズム

train は、net.trainParam が示す学習パラメーター値を使用して、net.trainFcn が示す関数を呼び出します。

通常、1 学習エポックとは、ネットワークへの全入力ベクトルの 1 回の提供と定義されます。その後、そういった提供すべての結果に従ってネットワークが更新されます。

学習は、エポックの回数が最大数に達するか、性能目標が達成されるか、または関数 net.trainFcn のその他の停止条件が発生するまで行われます。

一部の学習関数には、この基準とは異なり、エポックごとに 1 つの入力ベクトル (またはシーケンス) のみを提供するものがあります。各エポックで同時入力ベクトル (またはシーケンス) から入力ベクトル (またはシーケンス) がランダムに選択されます。competlayer は、trainru (これを行う学習関数) を使用するネットワークを返します。

バージョン履歴

R2006a より前に導入

R2026a: train は削除予定

train は将来のリリースで削除される予定です。

ニューラル ネットワークの学習と予測の詳細については、以下の例とトピックを参照してください。

• Training Neural Networks with Tabular Data

• Training Neural Networks with Time Series Data

表形式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るには、以下のいずれかの関数を使用します。

• fitrnet (Statistics and Machine Learning Toolbox) — 回帰ニューラル ネットワークに学習させます。単純な回帰タスクにはこの関数を使用します。

• fitcnet (Statistics and Machine Learning Toolbox) — 分類ニューラル ネットワークに学習させます。単純な分類タスクにはこの関数を使用します。

• trainnet — ニューラル ネットワークに学習させます。タスクに必要な学習オプションが fitrnet 関数および fitcnet 関数に用意されていない場合は、この関数を使用します。

時系列データを使用してニューラル ネットワークに学習させるには、以下のいずれかのオプションを使用します。

• 時系列モデラー アプリ — 時系列データ用のニューラル ネットワークの設計および学習を対話形式で行います。

• trainnet — ニューラル ネットワークに学習させます。ネットワーク アーキテクチャまたは学習アルゴリズムにさらなる柔軟性が必要な場合は、この関数を使用します。

詳細については、Transition Legacy Neural Network Code to dlnetwork Workflowsを参照してください。

参考

時系列モデラー | fitrnet (Statistics and Machine Learning Toolbox) | fitcnet (Statistics and Machine Learning Toolbox) | trainnet | trainingOptions | dlnetwork

トピック

• Training Neural Networks with Tabular Data
• Training Neural Networks with Time Series Data
• Transition Legacy Neural Network Code to dlnetwork Workflows