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。
Simulink を使用した深層学習
R2026aSimulink を使用した深層学習のワークフローの拡張
Deep Learning Toolbox™ に含まれる Deep Neural Networks、Python Neural Networks、および Deep Learning Layers の各ブロック ライブラリのブロックを使用するか、Computer Vision Toolbox™ に含まれる Analysis & Enhancement ブロック ライブラリの Deep Learning Object Detector ブロックを使用して、Simulink® モデルの深層学習機能を実装します。
Deep Learning Layers ブロック ライブラリを使用してネットワークを表す Simulink モデルを生成するには、exportNetworkToSimulink 関数を使用します。
Simulink の一部の深層学習機能では、サポートされているコンパイラを必要とする MATLAB Function ブロックを使用しています。ほとんどのプラットフォームでは、既定の C コンパイラが MATLAB® インストールで提供されます。C++ 言語を使用する場合は、互換性のある C++ コンパイラをインストールしなければなりません。サポートされているコンパイラのリストを確認するには、Supported and Compatible Compilers を開き、オペレーティング システムに対応するタブをクリックして、Simulink Product Family テーブルを見つけ、For Model Referencing, Accelerator mode, Rapid Accelerator mode, and MATLAB Function blocks 列に移動します。システムに複数の MATLAB 対応コンパイラがインストールされている場合は、mex -setup コマンドを使用して既定のコンパイラを変更できます。既定のコンパイラの変更を参照してください。
関数
exportNetworkToSimulink | Generate Simulink model that contains deep learning layer blocks and subsystems that correspond to deep learning layer objects (R2024b 以降) |
ブロック
 | Classify | Classify data using a trained deep learning neural network |
 | Predict | 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 |
 | Stateful Classify | 学習済み深層学習再帰型ニューラル ネットワークを使用したデータの分類 |
 | Stateful Predict | 学習済み再帰型ニューラル ネットワークを使用した応答の予測 |
 | Deep Learning Object Detector | 学習済み深層学習オブジェクト検出器を使用したオブジェクトの検出 |
 | TensorFlow Model Predict | Predict responses using pretrained Python TensorFlow model (R2024a 以降) |
 | PyTorch Model Predict | Predict responses using pretrained Python PyTorch model (R2024a 以降) |
 | ONNX Model Predict | Predict responses using pretrained Python ONNX model (R2024a 以降) |
 | Custom Python Model Predict | Predict responses using pretrained custom Python model (R2024a 以降) |
 | Clipped ReLU Layer | Clipped Rectified Linear Unit (ReLU) layer (R2024b 以降) |
 | GELU Layer | Gaussian error linear unit (GELU) layer (R2024b 以降) |
 | Leaky ReLU Layer | Leaky rectified linear unit (ReLU) layer (R2024b 以降) |
 | PReLU Layer | Parameterized rectified linear unit (PReLU) layer (R2026a 以降) |
 | ReLU Layer | Rectified linear unit (ReLU) layer (R2024b 以降) |
 | Sigmoid Layer | Sigmoid layer (R2024b 以降) |
 | Softmax Layer | Softmax layer (R2024b 以降) |
 | Swish Layer | Swish layer (R2026a 以降) |
 | Tanh Layer | 双曲線正接 (tanh) 層 (R2024a 以降) |
 | Addition Layer | Addition layer (R2024b 以降) |
 | Concatenation Layer | Concatenation layer (R2024b 以降) |
 | Depth Concatenation Layer | Depth concatenation layer (R2024b 以降) |
 | Multiplication Layer | Multiplication layer (R2024b 以降) |
 | Convolution 1D Layer | 1-D convolutional layer (R2024b 以降) |
 | Convolution 2D Layer | 2-D convolutional layer (R2024b 以降) |
 | Convolution 3D Layer | 3-D convolutional layer (R2024b 以降) |
 | Fully Connected Layer | Fully connected layer (R2024b 以降) |
 | Rescale-Symmetric 1D | 1-D input layer with rescale-symmetric normalization (R2024b 以降) |
 | Rescale-Symmetric 2D | 2-D input layer with rescale-symmetric normalization (R2024b 以降) |
 | Rescale-Symmetric 3D | 3-D input layer with rescale-symmetric normalization (R2024b 以降) |
 | Rescale-Zero-One 1D | 1-D input layer with rescale-zero-one normalization (R2024b 以降) |
 | Rescale-Zero-One 2D | 2-D input layer with rescale-zero-one normalization (R2024b 以降) |
 | Rescale-Zero-One 3D | 3-D input layer with rescale-zero-one normalization (R2024b 以降) |
 | Zerocenter 1D | 1-D input layer with zerocenter normalization (R2024b 以降) |
 | Zerocenter 2D | 2-D input layer with zerocenter normalization (R2024b 以降) |
 | Zerocenter 3D | 3-D input layer with zerocenter normalization (R2024b 以降) |
 | Zscore 1D | 1-D input layer with zscore normalization (R2024b 以降) |
 | Zscore 2D | 2-D input layer with zscore normalization (R2024b 以降) |
 | Zscore 3D | 3-D input layer with zscore normalization (R2024b 以降) |
 | Batch Normalization Layer | Batch normalization layer (R2024b 以降) |
 | Instance Normalization Layer | Instance normalization layer (R2026a 以降) |
 | Layer Normalization Layer | Layer normalization layer (R2024b 以降) |
 | Inverse Zerocenter | Inverse zero-center normalization (R2026a 以降) |
 | Inverse Zscore | Inverse Z-score normalization (R2026a 以降) |
 | Average Pooling 1D Layer | 1-D average pooling layer (R2024b 以降) |
 | Average Pooling 2D Layer | 2-D average pooling layer (R2024b 以降) |
 | Average Pooling 3D Layer | 3-D average pooling layer (R2024b 以降) |
 | Global Average Pooling 1D Layer | 1-D global average pooling layer (R2024b 以降) |
 | Global Average Pooling 2D Layer | 2-D global average pooling layer (R2024b 以降) |
 | Global Average Pooling 3D Layer | 3-D global average pooling layer (R2024b 以降) |
 | Global Max Pooling 1D Layer | 1-D global max pooling layer (R2024b 以降) |
 | Global Max Pooling 2D Layer | 2-D global max pooling layer (R2024b 以降) |
 | Global Max Pooling 3D Layer | 3-D global max pooling layer (R2024b 以降) |
 | Max Pooling 1D Layer | 1-D max pooling layer (R2024b 以降) |
 | Max Pooling 2D Layer | 2-D max pooling layer (R2024b 以降) |
 | Max Pooling 3D Layer | 3-D max pooling layer (R2024b 以降) |
 | Flatten Layer | Flatten layer (R2024b 以降) |
 | GRU Layer | Gated recurrent unit (GRU) layer for recurrent neural network (RNN) (R2025a 以降) |
 | GRU Projected Layer | Gated recurrent unit (GRU) projected layer for recurrent neural network (RNN) (R2025a 以降) |
 | LSTM Layer | Long short-term memory (LSTM) layer for recurrent neural network (RNN) (R2024b 以降) |
 | LSTM Projected Layer | Long short-term memory (LSTM) projected layer for recurrent neural network (RNN) (R2024b 以降) |
 | Dropout Layer | ドロップアウト層 (R2024b 以降) |
 | Identity Layer | 恒等層 (R2026a 以降) |
 | Scaling Layer | Scaling layer (R2026a 以降) |
 | Spatial Dropout Layer | 空間ドロップアウト層 (R2026a 以降) |
トピック
深層学習層ブロック
- List of Deep Learning Layer Blocks and Subsystems
Discover all the deep learning layer blocks and subsystems in Simulink. - Implement Unsupported Deep Learning Layer Blocks
Learn how to implement unsupported deep learning layer blocks.
イメージ
- Classify Image in Simulink Using SqueezeNet
This example shows how to classify an image in Simulink® using the Classify block. - Acceleration for Simulink Deep Learning Models
Improve simulation speed with accelerator and rapid accelerator modes. - 深層学習を使用した Simulink での車線検出と車両検出
この例では、Simulink® モデル内で深層畳み込みニューラル ネットワークを使用して、車線検出と車両検出を実行する方法を示します。 - 深層学習を使用した Simulink での ECG 信号の分類
この例では、Simulink (R) モデル内でウェーブレット変換と深層学習ネットワークを使用して ECG 信号を分類する方法を示します。 - Classify Images in Simulink with Imported TensorFlow Network
Import a pretrained TensorFlow™ network usingimportTensorFlowNetwork, and then use the Predict block for image classification in Simulink.
シーケンス
- Simulink でのネットワークの状態の予測と更新
この例では、Stateful Predictブロックを使用して、学習済みの再帰型ニューラル ネットワークの応答を Simulink® で予測する方法を説明します。 - Simulink でのネットワークの状態の分類と更新
この例では、Stateful Classifyブロックを使用して、Simulink® で学習済みの再帰型ニューラル ネットワークのデータを分類する方法を説明します。 - Speech Command Recognition in Simulink
Detect the presence of speech commands in audio using a Simulink model. - 深層学習ネットワークを使用した Simulink での時系列の予測
この例では、Simulink® モデル内で LSTM 深層学習ネットワークを使用し、エンジンの残存耐用年数 (RUL) を予測する方法を示します。 - Simulate Calorie Burn Using Neural Network in Simulink
This example shows how to include a simple fully connected neural network in a Simulink® model that predicts calorie burn when given five time steps of sensor readings from a smart watch. (R2024b 以降) - 深層学習を使用したバッテリー充電状態の推定
要件の定義、データの準備、深層学習ネットワークの学習、ロバスト性の検証、Simulink へのネットワークの統合、モデルの展開を行う。 (R2024b 以降) - Simulink における LSTM ネットワークを使用した物理システムのモデリング
この例では、長短期記憶 (LSTM) ニューラル ネットワークを使用して、Simulink® モデルでバーチャル センサーとして機能する低次元化モデル (ROM) を作成する方法を示します。 - Classify Motor Faults Using Deep Learning
This example shows how to train a deep learning model to classify faults in a permanent magnet synchronous motor (PMSM) using simulated data across various revolutions per minute (RPM). (R2025a 以降) - Improve Performance of Deep Learning Simulations in Simulink
This example shows how to use code generation to improve the performance of deep learning simulations in Simulink®.
強化学習
- DDPG エージェントを使用したタンク内の水位の制御 (Reinforcement Learning Toolbox)
Simulink で学習環境としてモデル化されたプラントを使用し、強化学習を使ってコントローラーに学習させる。 - アダプティブ クルーズ コントロール用の DDPG エージェントの学習 (Reinforcement Learning Toolbox)
アダプティブ クルーズ コントロール アプリケーション用の DDPG エージェントに学習させる。 - 並列計算を使用した車線維持支援用 DQN エージェントの学習 (Reinforcement Learning Toolbox)
並列計算を使用して自動運転アプリケーションのために DQN エージェントに学習させる。 - 経路追従制御用の DDPG エージェントの学習 (Reinforcement Learning Toolbox)
車線追従制御用に DDPG エージェントに学習させる。
Python の共同実行
- Classify Images Using TensorFlow Model Predict Block
Classify images using TensorFlow Model Predict block. - Classify Images Using ONNX Model Predict Block
Classify images using ONNX Model Predict block. - Classify Images Using PyTorch Model Predict Block
Classify images using PyTorch Model Predict block. - TensorFlow Model Predict ブロックを使用した応答の予測
TensorFlow Model Predict ブロックを使用して応答を予測する。 - ONNX Model Predict ブロックを使用した応答の予測
ONNX Model Predict ブロックを使用して応答を予測する。 - PyTorch Model Predict ブロックを使用した応答の予測
PyTorch Model Predict ブロックを使用して応答を予測する。 - Simulink でのカスタム Python モデルを使用した応答の予測 (Statistics and Machine Learning Toolbox)
この例では、Custom Python Model Predict (Statistics and Machine Learning Toolbox)ブロックを Simulink® での予測に使用する方法を示します。
コード生成
- Simulink アプリケーションからの深層学習コードの生成
デスクトップまたは組み込みターゲットに展開するための C/C++ コードおよび GPU コードの生成 - Export Network to FMU
This example shows how to export a trained network as a Functional Mock-up Unit (FMU). (R2023b 以降)
注目の例
深層学習を使用した Simulink での車線検出と車両検出
この例では、Simulink® モデル内で深層畳み込みニューラル ネットワークを使用して、車線検出と車両検出を実行する方法を示します。この例では、交通量ビデオのフレームを入力として受け取り、自車の左右の車線に対応する 2 つの車線境界線を出力し、フレーム内の車両を検出します。
深層学習を使用した Simulink での ECG 信号の分類
この例では、Simulink (R) モデル内でウェーブレット変換と深層学習ネットワークを使用して ECG 信号を分類する方法を示します。この例では、Wavelet Toolbox™ の "ウェーブレット解析と深層学習を使用した時系列の分類" の例にある事前学習済みの畳み込みニューラル ネットワークを使用して、時系列データの CWT からのイメージを基に ECG 信号を分類します。学習の詳細については、ウェーブレット解析と深層学習を使用した時系列の分類 (Wavelet Toolbox)を参照してください。
深層学習ネットワークを使用した Simulink での時系列の予測
この例では、Simulink® モデル内で LSTM 深層学習ネットワークを使用し、エンジンの残存耐用年数 (RUL) を予測する方法を示します。ここでは、Stateful Predict ブロックを使用してこのネットワークを Simulink モデルに組み込み、シミュレーション ステップごとに RUL を予測させます。
フィードフォワード ニューラル ネットワークを使用した Simulink でのバッテリー充電状態の推定
この例では、Simulink® モデル内でフィードフォワード深層学習ネットワークを使用してバッテリーの充電状態 (SOC) を予測する方法を示します。ここでは、Predict ブロックを使用してこのネットワークを Simulink モデルに組み込み、シミュレーション ステップごとに SOC を予測させます。
Profile Deep Learning Network for Deployment
Profile a deep learning network in Simulink. Profiling your network before training is a good way of checking that the network meets your requirements, before spending time on training. This example shows how to check:
