딥러닝 가져오기, 내보내기 및 사용자 지정

딥러닝 신경망을 가져오거나 내보내거나 사용자 지정하고 계층, 훈련 루프, 손실 함수를 사용자 지정하기

TensorFlow™-Keras, Caffe 및 ONNX™(Open Neural Network Exchange) 모델 형식에서 신경망과 신경망 아키텍처를 가져옵니다. 훈련된 Deep Learning Toolbox™ 신경망을 ONNX 모델 형식으로 내보낼 수도 있습니다.

문제에 대해 자신만의 고유한 사용자 지정 딥러닝 계층을 정의할 수 있습니다. 사용자 지정 출력 계층을 사용하여 사용자 지정 손실 함수를 지정하고 학습 가능한 파라미터를 포함하거나 포함하지 않는 사용자 지정 계층을 정의할 수 있습니다. 예를 들어, 클래스가 불균형하게 분포된 분류 문제에 대해 가중 교차 엔트로피 손실과 함께 사용자 지정 가중 분류 계층을 사용할 수 있습니다. 사용자 지정 계층을 정의한 후에는 이 계층이 유효하고, GPU와 호환되며, 올바르게 정의된 기울기를 출력하는지 확인할 수 있습니다.

trainingOptions 함수가 작업에 필요한 훈련 옵션을 제공하지 않거나 사용자 지정한 출력 계층이 필요한 손실 함수를 지원하지 않을 경우에는 사용자 지정 훈련 루프를 정의할 수 있습니다. 계층 그래프를 사용하여 만들 수 없는 신경망의 경우 사용자 지정 신경망을 함수로 정의할 수 있습니다. 자세한 내용은 사용자 지정 훈련 루프, 손실 함수 및 신경망 정의 항목을 참조하십시오.

딥러닝 가져오기와 내보내기
TensorFlow-Keras, Caffe 및 ONNX(Open Neural Network Exchange) 모델 형식에서 딥러닝 신경망을 가져오고 내보냅니다.
딥러닝 사용자 지정 계층
딥러닝을 위한 사용자 지정 계층 정의
딥러닝 사용자 지정 훈련 루프
딥러닝 훈련 루프 및 손실 함수 사용자 지정

추천 예제

생성적 적대 신경망(GAN) 훈련시키기

이 예제에서는 생성적 적대 신경망(GAN)을 훈련시켜서 영상을 생성하는 방법을 보여줍니다.

라이브 스크립트 열기

Train Network Using Custom Training Loop

Train a network that classifies handwritten digits with a custom learning rate schedule.

라이브 스크립트 열기

Train Network Using Model Function

Create and train a deep learning network by using functions rather than a layer graph or a dlnetwork. The advantage of using functions is the flexibility to describe a wide variety of networks. The disadvantage is that you must complete more steps and prepare your data carefully. This example uses images of handwritten digits, with the dual objectives of classifying the digits and determining the angle of each digit from the vertical.

라이브 스크립트 열기

Train a Siamese Network for Dimensionality Reduction

Train a Siamese network to compare handwritten digits using dimensionality reduction.

라이브 스크립트 열기

Train a Siamese Network to Compare Images

Train a Siamese network to identify similar images of handwritten characters.

라이브 스크립트 열기

Image Captioning Using Attention

Train a deep learning model for image captioning using attention.

라이브 스크립트 열기

Multilabel Text Classification Using Deep Learning

Classify text data that has multiple independent labels.

라이브 스크립트 열기

Sequence-to-Sequence Translation Using Attention

Convert decimal strings to Roman numerals using a recurrent sequence-to-sequence encoder-decoder model with attention.

라이브 스크립트 열기

Sequence-to-Sequence Classification Using 1-D Convolutions

Classify each time step of sequence data using a generic temporal convolutional network (TCN).

라이브 스크립트 열기

Train Network in Parallel with Custom Training Loop

Set up a custom training loop to train a network in parallel. In this example, parallel workers train on portions of the overall mini-batch. If you have a GPU, then training happens on the GPU. During training, a DataQueue object sends training progress information back to the MATLAB client.

라이브 스크립트 열기

변분 오토인코더(VAE)를 훈련시켜 영상 생성

이 예제에서는 MATLAB에서 변분 오토인코더(VAE)를 만들어 숫자 영상을 생성하는 방법을 보여줍니다. VAE는 MNIST 데이터 세트의 스타일로 손으로 그린 숫자를 생성합니다.

라이브 스크립트 열기

Train Network Using Cyclical Learning Rate for Snapshot Ensembling

Train a network to classify images of objects using a cyclical learning rate schedule and snapshot ensembling for better test accuracy. In the example, you learn how to use a cosine function for the learning rate schedule, take snapshots of the network during training to create a model ensemble, and add L2-norm regularization (weight decay) to the training loss.

라이브 스크립트 열기