レガシ ニューラル ネットワーク コードの dlnetwork ワークフローへの移行

R2026b

レガシ ニューラル ネットワーク機能 (network オブジェクトに関係する機能など) は、将来のリリースで削除される予定です。代わりに dlnetwork オブジェクトと関連機能を使用してください。

レガシ ニューラル ネットワーク オブジェクトは旧式であり、現代のワークフローには適していません。削除される予定の機能には、R2006a より前に導入されたものも含まれています (network オブジェクトや train 関数など)。代わりに、dlnetwork オブジェクト (R2019b で導入) や、trainnet 関数 (R2023b で導入) などの関連機能の使用をお勧めします。それらを利用することで、以下の利点が得られます。

• dlnetwork オブジェクトは、trainnet 関数を使用して学習させたり、外部のプラットフォームからインポートしたりできる、さまざまなネットワーク アーキテクチャをサポートしています。

• dlnetwork オブジェクトは、より高い柔軟性を提供し、より幅広い種類の Deep Learning Toolbox™ 機能をサポートしています。

• dlnetwork オブジェクトは、ネットワークの構築、予測、組み込み学習、圧縮、Simulink^®、コード生成、検証、およびカスタム学習ループをサポートする統合されたデータ型を提供します。

ヒント

trainNetwork、SeriesNetwork、DAGNetwork のコードを dlnetwork ワークフローへ移行する方法については、Transition trainNetwork, SeriesNetwork, and DAGNetwork Code to dlnetwork Workflowsを参照してください。

表形式データのワークフローの場合、fitrnet (Statistics and Machine Learning Toolbox) 関数と fitcnet (Statistics and Machine Learning Toolbox) 関数を使用してニューラル ネットワークに学習させ、それらを dlnetwork オブジェクトに変換することができます。

mdl = fitrnet(X,T);
net = dlnetwork(mdl);

それ以外のタイプのデータの場合、または高い柔軟性が必要な場合は、trainingOptions 関数と 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ことができます。

options = trainingOptions("adam");
net = trainnet(X,T,layers,"mse",options);

または、時系列モデラー、ディープ ネットワーク デザイナー、回帰学習器 (Statistics and Machine Learning Toolbox)、分類学習器 (Statistics and Machine Learning Toolbox)などのアプリでワークフローを対話的に再作成し、モデルをエクスポートすることもできます。

深層学習のワークフローでは、以下のアプリを使用できます。

• ディープ ネットワーク デザイナー

• ディープ ネットワーク量子化器

• 実験マネージャー

• 時系列モデラー

• 分類学習器 (Statistics and Machine Learning Toolbox)

• 回帰学習器 (Statistics and Machine Learning Toolbox)

コードを更新するには、通常、例やリファレンス ページからコードを取得し、自分のタスクに合わせて改変するのが最善の方法です。まずは以下の例を参考にしてみてください。

• Training Neural Networks with Tabular Data

• Training Neural Networks with Time Series Data

次の表は、コードの更新に関する推奨事項を示しています。より詳細な情報については、該当機能のリファレンス ページを参照してください。

メモ

これらの例で使用されている学習オプション、モデル アーキテクチャ、およびアルゴリズムは、ほとんどのタスクで使用 (または改変して使用) するのに適しています。柔軟性を高める場合や、アルゴリズムを完全に再現する場合は、カスタム学習ループを実装します。カスタム学習ループの詳細については、Custom Training Loopsを参照してください。

カテゴリ	削除される予定の関数またはオブジェクト	推奨
アプリ	nnstart	深層学習ワークフローには、代わりに次のアプリとライブ エディター タスクが推奨されます。 ディープ ネットワーク デザイナー アプリ ディープ ネットワーク量子化器アプリ 実験マネージャー アプリ 時系列モデラー アプリ 分類学習器 (Statistics and Machine Learning Toolbox)アプリ 回帰学習器 (Statistics and Machine Learning Toolbox)アプリ データのクラスター化 (Statistics and Machine Learning Toolbox)ライブ エディター タスク
	ニューラル ネット時系列、ntstool	時系列モデラー アプリ
	ニューラル ネット パターン認識、nprtool	分類学習器 (Statistics and Machine Learning Toolbox)アプリ
	ニューラル ネット フィッティング、nftool	回帰学習器 (Statistics and Machine Learning Toolbox)アプリ
	ニューラル ネット クラスタリング、nctool	データのクラスタリング (Statistics and Machine Learning Toolbox) ライブ エディター タスク
時系列データ ワークフロー	adapt, adaptwb, adddelay, closeloop, con2seq, distdelaynet, elmannet, extendts, getsignals, gettimesteps, narnet, narxnet, nncorr, noloop, openloop, preparets, removedelay, setsignals, settimesteps, tapdelay, timedelaynet	時系列データのワークフローの詳細については、以下の例とトピックを参照してください。 Training Neural Networks with Time Series Data 深層学習を使用した時系列予測 Create and Train NARX Network for Time Series Forecasting 長短期記憶ニューラル ネットワーク Example Deep Learning Network Architectures
ネットワークの構築	cascadeforwardnet, competlayer, configure, feedforwardnet, fitnet, gridtop, hextop, isconfigured, linearlayer, lvqnet, maxlinlr, network, newgrnn, newlind, newpnn, newrb, newrbe, patternnet, perceptron, regression, unconfigure, tritop	これらのワークフロー用に独自のニューラル ネットワークを設計およびカスタマイズするには、深層学習層の配列または dlnetwork オブジェクトを使用してネットワークを作成します。ニューラル ネットワークの作成と編集を対話形式で行い、コードを生成するには、ディープ ネットワーク デザイナー アプリを使用します。ニューラル ネットワーク構築のワークフローの詳細については、以下の例とトピックを参照してください。 ディープ ネットワーク デザイナーを使用したネットワークの構築 深層学習層の一覧 Example Deep Learning Network Architectures 多入力および多出力ネットワーク カスタム深層学習層の定義
学習と予測	train, sim	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
可視化	errsurf, plotconfusion, plotep, ploterrcorr, ploterrhist, plotes, plotfit, plotinerrcorr, plotpc, plotperform, plotpv, plotregression, plotresponse, plotroc, plottrainstate, plotvec, plotwb, view	可視化のワークフローの詳細については、以下の例とトピックを参照してください。 深層学習の可視化手法 Explore Network Predictions Using Deep Learning Visualization Techniques Deep Learning Metrics 深層学習における学習の進行状況の監視 ROC Curve and Performance Metrics
データの処理	catelements, catsamples, catsignals, cattimesteps, cellmat, combvec, getelements, divideblock, divideind, divideint, dividerand, dividetrain, fixunknowns, fromnndata, getsamples, gpu2nndata, ind2vec, lvqoutputs, mapminmax, mapstd, nncell2mat, nndata, nndata2gpu, nnsize, numelements, numfinite, numnan, numsamples, numsignals, numtimesteps, processpca, quant, removeconstantrows, removerows, seq2con, setelements, setsamples, tonndata, vec2ind	ニューラル ネットワークのデータ処理の詳細については、以下の例とトピックを参照してください。 領域固有の深層学習用途のためのデータの前処理 深層学習用のデータストア グラウンド トゥルース データにラベルを付けるためのアプリの選択
伝達関数と活性化関数	compet, elliotsig, elliot2sig, hardlim, hardlims, logsig, netinv, netprod, netsum, poslin, purelin, radbas, radbasn, satlin, satlins, softmax, tansig	ニューラル ネットワークにおける活性化関数と伝達関数の使用の詳細については、以下の例とトピックを参照してください。 ディープ ネットワーク デザイナーを使用したネットワークの構築 深層学習層の一覧 dlarray をサポートする関数の一覧 活性化層の比較 Example Deep Learning Network Architectures
メトリクスと損失関数	confusion, crossentropy, mae, mse, perform, roc, sae, sse	ニューラル ネットワークに学習させるときにメトリクスと損失関数を使用する方法の詳細については、以下の例とトピックを参照してください。 Deep Learning Metrics Custom Loss Functions 深層学習における学習の進行状況の監視 ROC Curve and Performance Metrics
Simulink とコード生成	gensim, nndata2sim, sim2nndata, genFunction, getsiminit, setsiminit	Simulink とニューラル ネットワークのコード生成の詳細については、以下の例とトピックを参照してください。 List of Deep Learning Layer Blocks and Subsystems Implement Unsupported Deep Learning Layer Blocks 深層学習ネットワークを使用した Simulink での時系列の予測 Acceleration for Simulink Deep Learning Models 深層学習ネットワークのコード生成
数学演算	boxdist, convwf, dist, dotprod, gadd, gdivide, gmultiply, gnegate, gsqrt, gsubtract, linkdist, mandist, meanabs, meansqr, minmax, negdist, normc, normprod, normr, pnormc, scalprod, sumabs, sumsqr	サポートされている数学演算、深層学習演算、および深層学習層の詳細については、以下の例とトピックを参照してください。 ディープ ネットワーク デザイナーを使用したネットワークの構築 深層学習層の一覧 dlarray をサポートする関数の一覧
自己符号化器	Autoencoder, decode, encode, generateFunction, generateSimulink, network, predict, plotWeights, stack, trainAutoencoder, view	自己符号化器のワークフローの詳細については、以下の例とトピックを参照してください。 ディープ ネットワーク デザイナーを使用したネットワークの構築 深層学習を使用した時系列異常検出 Detect Anomalies Using Wavelet Scattering with Autoencoders 変分自己符号化器 (VAE) の学習によるイメージ生成 List of Deep Learning Layer Blocks and Subsystems 深層学習ネットワークのコード生成
自己組織化マップ	learnsom, learnsomb, plotsom, plotsomnc, plotsomhits, plotsomnd, plotsomplanes, plotsompos, plotsomtop, selforgmap	自己組織化マップのワークフローの詳細については、以下の例とトピックを参照してください。 Cluster Data Using Self-Organizing Map (SOM) Custom Loss Functions Custom Training Loops Custom Training Loop Model Loss Functions モデル関数を使用したネットワークの学習 dlarray をサポートする関数の一覧
枝刈り	prune, prunedata	枝刈りやその他のニューラル ネットワーク圧縮ワークフローの詳細については、以下の例とトピックを参照してください。 Reduce Memory Footprint of Deep Neural Networks Analyze and Compress 1-D Convolutional Neural Network Compress Neural Network Using Projection Compress Image Classification Network for Deployment to Resource-Constrained Embedded Devices
重みとバイアス関数	concur, formwb, getwb, init, initcon, initlay, initlvq, initnw, initwb, initzero, midpoint, randnc, randnr, rands, randsmall, randtop, revert, separatewb, setwb	ニューラル ネットワークの学習可能なパラメーターの初期化とカスタマイズの詳細については、以下の例とトピックを参照してください。 層の重み初期化子の比較 カスタム重み初期化関数の指定 Neural Network Weight Tying モデル関数の学習可能なパラメーターの初期化
学習アルゴリズム	learncon, learngd, learngdm, learnh, learnhd, learnis, learnk, learnlv1, learnlv2, learnos, learnp, learnpn, learnwh, trainb, trainbfg, trainbr, trainbu, trainc, traincgb, traincgf, traincgptraingd, traingda, traingdm, traingdx, trainlm, trainoss, trainr, trainrp, trainru, trains, trainscg, tribas, srchbac, srchbre, srchcha, srchgol, srchhyb	学習アルゴリズムのカスタマイズの詳細については、以下の例とトピックを参照してください。 Custom Training Loops Define Custom Learning Rate Schedule カスタム学習ループを使用したネットワークの学習 Compare Custom Solvers Using Custom Training Loop Speed Up Deep Neural Network Training Accelerate Custom Training Loop Functions Evaluate Deep Learning Experiments by Using Metric Functions
導関数	bttderiv, defaultderiv, fpderiv, num2deriv, num5deriv, staticderiv	自動微分ワークフローの詳細については、以下の例とトピックを参照してください。 Custom Loss Functions Custom Training Loops Custom Training Loop Model Loss Functions モデル関数を使用したネットワークの学習 dlarray をサポートする関数の一覧 カスタム層の backward 関数の指定 カスタム深層学習演算の定義

参考

fitrnet (Statistics and Machine Learning Toolbox) | fitcnet (Statistics and Machine Learning Toolbox) | trainnet | trainingOptions | dlnetwork | 時系列モデラー | ディープ ネットワーク デザイナー | 分類学習器 (Statistics and Machine Learning Toolbox) | 回帰学習器 (Statistics and Machine Learning Toolbox)

トピック

• Training Neural Networks with Tabular Data
• Training Neural Networks with Time Series Data
• 深層学習層の一覧