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

이미지에서의 심층 학습

컨벌루션 신경망을 처음부터 훈련시키거나 사전 훈련된 네트워크를 사용하여 새로운 작업을 빠르게 학습합니다.

네트워크 아키텍처를 정의하고 네트워크를 처음부터 훈련시켜 이미지 분류 및 회귀 작업을 위한 새 심층 네트워크를 만듭니다. 전이 학습을 사용하여 사전 훈련된 네트워크가 제공하는 지식을 활용해 새 데이터의 새 패턴을 학습할 수도 있습니다. 전이 학습을 통해 사전 훈련된 이미지 분류 네트워크를 미세 조정하는 것이 일반적으로 처음부터 훈련시키는 것보다 훨씬 더 빠르고 쉽습니다. 사전 훈련된 심층 네트워크를 사용하면 새로운 네트워크를 정의하고 훈련시키거나, 수백만 개의 이미지를 갖거나, 강력한 GPU를 가질 필요 없이 새 작업을 빠르게 학습할 수 있습니다.

네트워크 아키텍처를 정의한 후에 trainingOptions 함수를 사용하여 훈련 파라미터를 정의해야 합니다. 그런 다음 trainNetwork를 사용하여 네트워크를 훈련시킬 수 있습니다. 훈련된 네트워크를 사용하여 클래스 레이블이나 숫자형 응답 변수를 예측합니다.

CPU, GPU, 여러 개의 CPU나 GPU 또는 클러스터나 클라우드에서 병렬로 컨벌루션 신경망을 훈련시킬 수 있습니다. GPU에서 또는 병렬로 훈련시키려면 Parallel Computing Toolbox™가 필요합니다. GPU를 사용하려면 CUDA^® 지원 NVIDIA^® GPU(Compute Capability 3.0 이상)가 필요합니다. trainingOptions 함수를 사용해서 실행 환경을 지정하십시오.

앱

심층 네트워크 디자이너

심층 학습 네트워크의 편집 및 생성

함수

모두 확장

네트워크 훈련시키기

`trainingOptions`	심층 학습 신경망 훈련 옵션
`trainNetwork`	심층 학습을 위해 신경망 훈련
`analyzeNetwork`	심층 학습 네트워크 아키텍처 분석

사전 훈련된 네트워크

`alexnet`	사전 훈련된 AlexNet 컨벌루션 신경망
`vgg16`	사전 훈련된 VGG-16 컨벌루션 신경망
`vgg19`	사전 훈련된 VGG-19 컨벌루션 신경망
`squeezenet`	사전 훈련된 SqueezeNet 컨벌루션 신경망
`googlenet`	사전 훈련된 GoogLeNet 컨벌루션 신경망
`inceptionv3`	사전 훈련된 Inception-v3 컨벌루션 신경망
`resnet18`	Pretrained ResNet-18 convolutional neural network
`resnet50`	사전 훈련된 ResNet-50 컨벌루션 신경망
`resnet101`	사전 훈련된 ResNet-101 컨벌루션 신경망
`inceptionresnetv2`	사전 훈련된 Inception-ResNet-v2 컨벌루션 신경망

계층

`imageInputLayer`	이미지 입력 계층
`convolution2dLayer`	2차원 컨벌루션 계층
`fullyConnectedLayer`	완전 연결 계층
`reluLayer`	ReLU(Rectified Linear Unit) 계층
`leakyReluLayer`	Leaky ReLU(Rectified Linear Unit) 계층
`clippedReluLayer`	Clipped ReLU(Rectified Linear Unit) 계층
`batchNormalizationLayer`	배치 정규화 계층
`crossChannelNormalizationLayer`	채널별 국소 응답 정규화 계층
`dropoutLayer`	드롭아웃 계층
`averagePooling2dLayer`	평균값 풀링 계층
`maxPooling2dLayer`	최댓값 풀링 계층
`maxUnpooling2dLayer`	최댓값 언풀링 계층
`additionLayer`	덧셈 계층
`depthConcatenationLayer`	심도 결합 계층
`softmaxLayer`	소프트맥스 계층
`transposedConv2dLayer`	Transposed 2-D convolution layer
`classificationLayer`	분류 출력 계층
`regressionLayer`	회귀 출력 계층 만들기

이미지 전처리하기

`augmentedImageDatastore`	배치를 변환하여 이미지 데이터 증대
`imageDataAugmenter`	이미지 데이터 증대 구성
`augment`	Apply identical random transformations to multiple images

DAG 네트워크

`layerGraph`	심층 학습(딥러닝)을 위한 네트워크 계층의 그래프
`plot`	신경망 계층 그래프 플로팅
`addLayers`	계층 그래프에 계층 추가
`removeLayers`	계층 그래프에서 계층 제거
`replaceLayer`	Replace layer in layer graph
`connectLayers`	계층 그래프에서 계층 연결
`disconnectLayers`	계층 그래프에서 계층 연결 끊기
`DAGNetwork`	심층 학습(딥러닝)을 위한 DAG(유방향 비순환 그래프) 네트워크

예측

`classify`	훈련된 심층 학습(딥러닝) 신경망을 사용하여 데이터 분류
`activations`	컨벌루션 신경망 계층의 활성화 결과 구하기
`predict`	훈련된 심층 학습(딥러닝) 신경망을 사용하여 응답 변수 예측
`confusionchart`	Create confusion matrix chart for classification problem
ConfusionMatrixChart Properties	Confusion matrix chart appearance and behavior
`sortClasses`	Sort classes of confusion matrix chart

예제 및 방법

사전 훈련된 네트워크 사용하기

GoogLeNet을 사용하여 이미지 분류하기

이 예제에서는 사전 훈련된 심층 컨벌루션 신경망 GoogLeNet을 사용하여 이미지를 분류하는 방법을 보여줍니다.

심층 학습을 사용하여 웹캠 이미지 분류하기

이 예제에서는 사전 훈련된 심층 컨벌루션 신경망 GoogLeNet을 사용하여 웹캠의 이미지를 실시간으로 분류하는 방법을 보여줍니다.

Transfer Learning with Deep Network Designer

Interactively fine-tune a pretrained deep learning network to learn a new image classification task.

새로운 이미지를 분류하도록 심층 학습 네트워크 훈련시키기

이 예제에서는 새로운 이미지 세트를 분류할 수 있도록 전이 학습을 사용하여 컨벌루션 신경망을 다시 훈련시키는 방법을 보여줍니다.

AlexNet을 사용한 전이 학습

이 예제에서는 사전 훈련된 AlexNet 컨벌루션 신경망이 새로운 이미지 모음에 대해 분류를 수행하도록 미세 조정하는 방법을 보여줍니다.

AlexNet을 사용하여 특징 추출하기

이 예제에서는 사전 훈련된 컨벌루션 신경망에서 학습된 이미지 특징을 추출한 다음 추출한 특징을 사용하여 이미지 분류기를 훈련시키는 방법을 보여줍니다.

Pretrained Deep Neural Networks

Learn how to download and use pretrained convolutional neural networks for classification, transfer learning and feature extraction.

새로운 심층 네트워크 만들기

간단한 분류용 심층 학습 네트워크 만들기

이 예제에서는 심층 학습 분류용으로 간단한 컨벌루션 신경망을 만들고 훈련시키는 방법을 보여줍니다.

Build Networks with Deep Network Designer

Interactively build and edit deep learning networks.

Resume Training from Checkpoint Network

Learn how to save checkpoint networks while training a convolutional neural network and resume training from a previously saved network

회귀를 위해 컨벌루션 신경망 훈련시키기

이 예제에서는 컨벌루션 신경망을 사용하여 손으로 쓴 숫자의 회전 각도를 예측하는 회귀 모델을 피팅하는 방법을 보여줍니다.

List of Deep Learning Layers

Discover all the deep learning layers in MATLAB^®.

Specify Layers of Convolutional Neural Network

Learn about the layers of a convolutional neural network (ConvNet), and the order they appear in a ConvNet

이미지 분류를 위해 잔차 네트워크 훈련시키기

이 예제에서는 잔차 연결을 사용하여 심층 학습 신경망을 만들고 CIFAR-10 데이터에 대해 훈련시키는 방법을 보여줍니다.

개념

Deep Learning in MATLAB

Discover deep learning capabilities in MATLAB using convolutional neural networks for classification and regression, including pretrained networks and transfer learning, and training on GPUs, CPUs, clusters, and clouds.

Set Up Parameters and Train Convolutional Neural Network

Learn how to set up training parameters for a convolutional neural network

Deep Learning with Big Data on GPUs and in Parallel

Train deep networks on CPUs, GPUs, clusters, and clouds, and tune options to suit your hardware.

Preprocess Images for Deep Learning

Learn how to resize images for training, prediction and classification, and how to preprocess images using data augmentation, transformations, and specialized datastores.

분류 네트워크를 회귀 네트워크로 변환하기

이 예제에서는 훈련된 분류 네트워크를 회귀 네트워크로 변환하는 방법을 보여줍니다.

Deep Learning Tips and Tricks

Learn how to improve the accuracy of deep learning networks.