이 페이지의 최신 내용은 아직 번역되지 않았습니다. 최신 내용은 영문으로 볼 수 있습니다.

심층 학습 가져오기, 내보내기 및 사용자 지정

네트워크 가져오기와 내보내기, 사용자 지정 심층 학습 계층 정의, 데이터저장소 사용자 지정

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

문제에 대해 자신만의 고유한 사용자 지정 심층 학습 계층을 정의할 수 있습니다. 학습 가능한 파라미터를 포함하거나 포함하지 않는 사용자 지정 출력 계층과 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. 계층에서 유효성, GPU 호환성 및 올바르게 정의된 기울기를 확인할 수 있습니다.

메모리에 담을 수 없는 큰 데이터의 경우, 데이터저장소를 만들고 사용자 지정하여 심층 학습 네트워크 훈련을 위해 데이터를 전처리할 수 있습니다.

함수

모두 확장

importKerasNetwork사전 훈련된 Keras 네트워크와 가중치 가져오기
importKerasLayersImport layers from Keras network
importCaffeNetworkCaffe에서 사전 훈련된 컨벌루션 신경망 모델 가져오기
importCaffeLayersCaffe에서 컨벌루션 신경망 계층 가져오기
importONNXNetworkImport pretrained ONNX network
importONNXLayersImport layers from ONNX network
exportONNXNetworkExport network to ONNX model format
findPlaceholderLayersFind placeholder layers in network architecture imported from Keras or ONNX
replaceLayerReplace layer in layer graph
assembleNetworkAssemble deep learning network from pretrained layers
PlaceholderLayerLayer replacing an unsupported Keras layer, ONNX layer, or unsupported functionality from functionToLayerGraph
setLearnRateFactor계층의 학습 가능한 파라미터에 대한 학습률 인자 설정
setL2Factor계층의 학습 가능한 파라미터에 대한 L2 정규화 인자 설정
getLearnRateFactor계층의 학습 가능한 파라미터에 대한 학습률 인자 가져오기
getL2Factor계층의 학습 가능한 파라미터에 대한 L2 정규화 인자 가져오기
checkLayerCheck validity of custom layer
matlab.io.datastore.MiniBatchableAdd mini-batch support to datastore

도움말 항목

사용자 지정 계층

Define Custom Deep Learning Layers

Learn how to define custom deep learning layers

Check Custom Layer Validity

Learn how to check the validity of custom deep learning layers.

Define Custom Deep Learning Layer with Learnable Parameters

This example shows how to define a PReLU layer and use it in a convolutional neural network.

Define Custom Deep Learning Layer with Multiple Inputs

This example shows how to define a custom weighted addition layer and use it in a convolutional neural network.

Define Custom Classification Output Layer

This example shows how to define a custom classification output layer with sum of squares error (SSE) loss and use it in a convolutional neural network.

Define Custom Weighted Classification Layer

This example shows how to define and create a custom weighted classification output layer with weighted cross entropy loss.

Define Custom Regression Output Layer

This example shows how to define a custom regression output layer with mean absolute error (MAE) loss and use it in a convolutional neural network.

데이터저장소 사용자 지정

Datastores for Deep Learning

Learn how to use datastores in deep learning applications.

Prepare Datastore for Image-to-Image Regression

This example shows how to prepare a datastore for training an image-to-image regression network using the transform and combine functions of ImageDatastore.

Train Network Using Out-of-Memory Sequence Data

This example shows how to train a deep learning network on out-of-memory sequence data by transforming and combining datastores.

Classify Text Data Using Convolutional Neural Network

This example shows how to classify text data using a convolutional neural network.

Classify Out-of-Memory Text Data Using Deep Learning

This example shows how to classify out-of-memory text data with a deep learning network using a transformed datastore.

네트워크 훈련 및 조합

Deep Learning Tips and Tricks

Learn how to improve the accuracy of deep learning networks.

Specify Custom Weight Initialization Function

This example shows how to create a custom He weight initialization function for convolution layers followed by leaky ReLU layers.

사전 훈련된 Keras 계층에서 네트워크 조합하기

이 예제에서는 사전 훈련된 Keras 네트워크에서 계층을 가져오고 지원되지 않는 계층을 사용자 지정 계층으로 바꾼 다음 이러한 계층을 예측을 실행할 준비가 된 네트워크로 조합하는 방법을 보여줍니다.

심층 학습 네트워크 훈련 중의 출력값 사용자 지정하기

이 예제에서는 심층 학습 신경망 훈련 중에 각 반복에서 실행되는 출력 함수를 정의하는 방법을 보여줍니다.

추천 예제