Main Content

このページの内容は最新ではありません。最新版の英語を参照するには、ここをクリックします。

シーケンス形式および数値形式の特徴データのワークフロー

シーケンス データと表形式データの分類、回帰、および予測のためのニューラル ネットワークの作成と学習

シーケンス データ、時系列データ、表形式データの場合、多層パーセプトロン (MLP) ニューラル ネットワーク、長短期記憶 (LSTM) ニューラル ネットワーク、および畳み込みニューラル ネットワーク (CNN) を作成して学習を行います。分類、回帰、および予測の各タスクのためのニューラル ネットワークを作成し、そのネットワークに学習させることができます。また、単語埋め込み層を使用してテキスト データについてニューラル ネットワークに学習させたり (Text Analytics Toolbox™ が必要)、スペクトログラムを使用してオーディオ データについてニューラル ネットワークに学習させたり (Audio Toolbox™ が必要) することもできます。

関数 trainNetwork および trainnet を関数 trainingOptions と共に使用して sequence-to-one ニューラル ネットワークや sequence-to-sequence ニューラル ネットワークに学習させます。または、dlnetwork オブジェクトやオブジェクト関数 dlarray を使用してカスタム学習ループを定義します。

ニューラル ネットワークの学習は、1 つの CPU または GPU か複数の CPU または GPU で行うことも、クラスターまたはクラウドで並列に行うこともできます。1 つの GPU または並列で学習させる場合は、Parallel Computing Toolbox™ が必要です。GPU を使用するには、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については、GPU 計算の要件 (Parallel Computing Toolbox)を参照してください)。関数 trainingOptions を使用して、実行環境を指定します。

ネットワークの精度と損失に関する組み込みのプロットを使用して学習の進行状況を監視したり、Grad-CAM などの可視化手法を使用して学習済みネットワークを調査したりすることができます。

学習済みネットワークがある場合、そのロバスト性の検証、ネットワークの出力範囲の計算、敵対的サンプルの検索を行うことができます。また、Deep Neural Networks ブロック ライブラリにあるブロックを使用して、Simulink® モデルにある学習済みネットワークを使用することもできます。

カテゴリ

  • データ前処理
    深層学習用のシーケンス データと表形式データの管理と前処理
  • ネットワークの構築と学習
    シーケンス データと表形式データのための深層ニューラル ネットワークを作成してゼロから学習させる
  • 可視化と検証
    シーケンス データと表形式データを使用した、ニューラル ネットワークの動作の可視化、予測の説明、およびロバスト性の検証