기본 제공 훈련

기본 제공 훈련 함수를 사용하여 시퀀스 및 테이블 형식 데이터를 위한 딥러닝 신경망 훈련

신경망 아키텍처를 정의한 후에 trainingOptions 함수를 사용하여 훈련 파라미터를 정의할 수 있습니다. 그런 다음 trainnet 함수를 사용하여 신경망을 훈련시킬 수 있습니다. 훈련된 신경망을 사용하여 클래스 레이블 또는 숫자형 응답 변수를 예측하거나, 미래의 시간 스텝을 전망합니다.

한 개의 CPU, 한 개의 GPU, 여러 개의 CPU나 GPU, 또는 클러스터나 클라우드에서 병렬로 신경망을 훈련시킬 수 있습니다. GPU에서 또는 병렬로 훈련시키려면 Parallel Computing Toolbox™가 필요합니다. GPU를 사용하려면 지원되는 GPU 장치가 필요합니다. (지원되는 장치에 대한 자세한 내용은 GPU 연산 요구 사항 (Parallel Computing Toolbox) 항목을 참조하십시오.) trainingOptions 함수를 사용해서 실행 환경을 지정하십시오.

앱

심층 신경망 디자이너

딥러닝 신경망을 설계하고 시각화합니다

함수

모두 확장

신경망 훈련시키고 테스트하기

`trainingOptions`	딥러닝 신경망 훈련 옵션
`trainnet`	Train deep learning neural network (R2023b 이후)
`testnet`	Test deep learning neural network (R2024b 이후)

예측

`predict`	Compute deep learning network output for inference
`minibatchpredict`	Mini-batched neural network prediction (R2024a 이후)
`scores2label`	Convert prediction scores to labels (R2024a 이후)
`confusionchart`	Create confusion matrix chart for classification problem
`sortClasses`	Sort classes of confusion matrix chart

도움말 항목

다층 퍼셉트론 신경망

숫자형 특징을 사용하여 신경망 훈련시키기
이 예제에서는 딥러닝 특징 데이터 분류용으로 간단한 신경망을 만들고 훈련시키는 방법을 보여줍니다.
Compare Deep Learning Networks for Credit Default Prediction
Create, train, and compare three deep learning networks for predicting credit default probability.

순환 신경망

딥러닝을 사용한 sequence-to-sequence 분류
이 예제에서는 장단기 기억(LSTM) 신경망을 사용하여 시퀀스 데이터의 각 시간 스텝을 분류하는 방법을 보여줍니다.
딥러닝을 사용한 sequence-to-sequence 회귀
이 예제에서는 딥러닝을 사용하여 엔진의 잔여 수명(RUL)을 예측하는 방법을 보여줍니다.
딥러닝을 사용한 sequence-to-one 회귀
이 예제에서는 장단기 기억(LSTM) 신경망을 사용하여 파형의 주파수를 예측하는 방법을 보여줍니다.
Train Network with LSTM Projected Layer
Train a deep learning network with an LSTM projected layer for sequence-to-label classification.
딥러닝을 사용하여 비디오 분류하기
이 예제에서는 사전 훈련된 영상 분류 모델과 LSTM 신경망을 결합하여 비디오를 분류하는 신경망을 만드는 방법을 보여줍니다.
사용자 지정 미니 배치 데이터저장소를 사용하여 시퀀스 데이터에 대해 신경망 훈련시키기
이 예제에서는 사용자 지정 미니 배치 데이터저장소를 사용하여 메모리에 다 담을 수 없을 정도로 큰 시퀀스 데이터를 대상으로 딥러닝 신경망을 훈련시키는 방법을 보여줍니다.
Battery State of Charge Estimation Using Deep Learning
Define requirements, prepare data, train deep learning networks, verify robustness, integrate networks into Simulink, and deploy models. (R2024b 이후)

컨벌루션 신경망

1차원 컨벌루션을 사용한 시퀀스 분류
이 예제에서는 1차원 컨벌루션 신경망을 사용하여 시퀀스 데이터를 분류하는 방법을 보여줍니다.
Time Series Anomaly Detection Using Deep Learning
This example shows how to detect anomalies in sequence or time series data.
Train Sequence Classification Network Using Data with Imbalanced Classes
This example shows how to classify sequences with a 1-D convolutional neural network using class weights to modify the training to account for imbalanced classes.
1차원 컨벌루션을 사용한 sequence-to-sequence 분류
이 예제에서는 일반적인 시계열 컨벌루션 신경망(TCN: Temporal Convolutional Network)을 사용하여 시퀀스 데이터의 각 시간 스텝을 분류하는 방법을 보여줍니다.
Train Network with Complex-Valued Data
This example shows how to predict the frequency of a complex-valued waveform using a 1-D convolutional neural network.
Sequence Classification Using CNN-LSTM Network
This example shows how to create a 2-D CNN-LSTM network for speech classification tasks by combining a 2-D convolutional neural network (CNN) with a long short-term memory (LSTM) layer.
영상 데이터와 특징 데이터로 신경망 훈련시키기
이 예제에서는 영상과 특징 입력 데이터를 모두 사용하여 손으로 쓴 숫자를 분류하는 신경망을 훈련시키는 방법을 보여줍니다.

MATLAB을 사용한 딥러닝

MATLAB의 딥러닝
사전 훈련된 신경망 및 전이 학습, 그리고 GPU, CPU, 클러스터 및 클라우드에서의 훈련 등 분류 및 회귀에 컨벌루션 신경망을 사용하여 MATLAB^®의 딥러닝 기능을 알아봅니다.
딥러닝 팁과 요령
딥러닝 신경망의 정확도를 높이는 방법을 알아봅니다.
Speed Up Deep Neural Network Training
Learn how to accelerate deep neural network training.
Data Sets for Deep Learning
Discover data sets for various deep learning tasks.