기본 제공 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 레이블이나 숫자형 응답 변수를 예측합니다.
함수
도움말 항목
훈련 기본 사항
- 분류를 수행하는 간단한 딥러닝 신경망 만들기
이 예제에서는 딥러닝 분류를 수행하는 간단한 컨벌루션 신경망을 만들고 훈련시키는 방법을 보여줍니다. - 회귀를 위해 컨벌루션 신경망 훈련시키기
이 예제에서는 손으로 쓴 숫자의 회전 각도를 예측하는 컨벌루션 신경망을 훈련시키는 방법을 보여줍니다. - Create Custom Deep Learning Training Plot
This example shows how to create a custom training plot that updates at each iteration during training of deep learning neural networks usingtrainnet. (R2023b 이후) - Custom Stopping Criteria for Deep Learning Training
This example shows how to stop training of deep learning neural networks based on custom stopping criteria usingtrainnet. (R2023b 이후) - Speed Up Deep Neural Network Training
Learn how to accelerate deep neural network training. - Define Custom Learning Rate Schedule
This example shows how to define a time-based decay learning rate schedule and use it to train a neural network. - 여러 개의 출력값을 갖는 신경망 훈련시키기
이 예제에서는 손으로 쓴 숫자의 레이블과 회전 각도를 모두 예측하는, 여러 개의 출력값을 갖는 딥러닝 신경망을 훈련시키는 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. - Data Sets for Deep Learning
Discover data sets for various deep learning tasks. - Deep Learning Metrics
Comparison of metrics for deep learning tasks.
테이블 형식 데이터 워크플로
- Training Neural Networks with Tabular Data
Learn about training neural networks with tabular data. - Train Neural Network with Tabular Data
This example shows how to train a neural network with tabular data. (R2023b 이후)
시퀀스 데이터 워크플로
- 딥러닝을 사용한 시계열 전망
이 예제에서는 장단기 기억(LSTM) 신경망을 사용하여 시계열 데이터를 전망하는 방법을 보여줍니다. - 딥러닝을 사용한 시퀀스 분류
이 예제에서는 장단기 기억(LSTM) 신경망을 사용하여 시퀀스 데이터를 분류하는 방법을 보여줍니다. - 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. - 1차원 컨벌루션을 사용한 시퀀스 분류
이 예제에서는 1차원 컨벌루션 신경망을 사용하여 시퀀스 데이터를 분류하는 방법을 보여줍니다. - Train Network with LSTM Projected Layer
Train a deep learning network with an LSTM projected layer for sequence-to-label classification. - 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. - 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. - 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. - 딥러닝을 사용해 음성 명령 인식 모델 훈련시키기
이 예제에서는 오디오에서 음성 명령의 존재 여부를 감지하는 딥러닝 모델을 훈련시키는 방법을 보여줍니다. - Chemical Process Fault Detection Using Deep Learning
Use simulation data to train a neural network than can detect faults in a chemical process. - 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)
영상 데이터 워크플로
- 영상 데이터와 특징 데이터로 신경망 훈련시키기
이 예제에서는 영상과 특징 입력 데이터를 모두 사용하여 손으로 쓴 숫자를 분류하는 신경망을 훈련시키는 방법을 보여줍니다. - Multilabel Image Classification Using Deep Learning
This example shows how to use transfer learning to train a deep learning model for multilabel image classification. - Build Image-to-Image Regression Network Using Deep Network Designer
This example shows how to use Deep Network Designer to construct an image-to-image regression network for super resolution.
추천 예제
심층 신경망 디자이너를 사용하는 전이 학습을 위해 신경망 준비하기
사전 훈련된 딥러닝 신경망이 새로운 영상 분류 작업을 학습하도록 대화형 방식으로 미세 조정합니다.
Time Series Anomaly Detection Using Deep Learning
Detect anomalies in sequence or time series data.
심층 신경망 디자이너를 사용하여 시계열 전망 신경망 구축하기
이 예제에서는 심층 신경망 디자이너 앱을 사용하여, 시계열 데이터를 전망하는 간단한 장단기 기억(LSTM) 신경망을 만드는 방법을 보여줍니다.
영상 분류를 위해 잔차 신경망 훈련시키기
이 예제에서는 잔차 연결을 사용하여 딥러닝 신경망을 만들고 CIFAR-10 데이터에 대해 훈련시키는 방법을 보여줍니다. 잔차 연결은 컨벌루션 신경망 아키텍처에서 자주 사용되는 요소입니다. 잔차 연결을 사용하면 신경망의 기울기 흐름이 향상되고 보다 심층의 신경망을 훈련시킬 수 있습니다.
Adapt Pretrained Audio Network for New Data Using Deep Network Designer
Interactively adapt a pretrained network to classify new audio signals using Deep Network Designer.
딥러닝을 사용하여 비디오 분류하기
이 예제에서는 사전 훈련된 영상 분류 모델과 LSTM 신경망을 결합하여 비디오를 분류하는 신경망을 만드는 방법을 보여줍니다.
Train Neural ODE Network
Train an augmented neural ordinary differential equation (ODE) network.
Create and Train NARX Network for Time Series Forecasting
Create and train a NARX network for time series forecasting and test its predictions in MATLAB® and Simulink®.
Compare Deep Learning Networks for Credit Default Prediction
Create, train, and compare three deep learning networks for predicting credit default probability.
딥러닝을 사용해 음성 명령 인식 모델 훈련시키기
이 예제에서는 오디오에서 음성 명령의 존재 여부를 감지하는 딥러닝 모델을 훈련시키는 방법을 보여줍니다. 이 예제에서는 Speech Commands Dataset[1]을 사용하여 컨벌루션 신경망이 명령 세트를 인식하도록 훈련시킵니다.
Chemical Process Fault Detection Using Deep Learning
Use simulation data to train a neural network than can detect faults in a chemical process.
Solve PDE Using Fourier Neural Operator
Train a Fourier neural operator (FNO) neural network that outputs the solution of a partial differential equation (PDE).
