영상에서의 딥러닝

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

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

신경망 아키텍처를 정의한 후에 trainingOptions 함수를 사용하여 훈련 파라미터를 정의해야 합니다. 그런 다음 trainNetwork를 사용하여 신경망을 훈련시킬 수 있습니다. 훈련된 신경망을 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 지원되는 GPU 장치가 필요합니다. (지원되는 장치에 대한 자세한 내용은 릴리스별 GPU 지원 (Parallel Computing Toolbox) 항목을 참조하십시오.) trainingOptions 함수를 사용해서 실행 환경을 지정하십시오.

앱

심층 신경망 디자이너

딥러닝 신경망의 설계, 시각화 및 훈련

함수

모두 확장

신경망 훈련시키기

`trainingOptions`	딥러닝 신경망 훈련 옵션
`trainNetwork`	딥러닝 신경망 훈련
`analyzeNetwork`	딥러닝 신경망 아키텍처 분석

사전 훈련된 신경망

`squeezenet`	SqueezeNet 컨벌루션 신경망
`googlenet`	GoogLeNet 컨벌루션 신경망
`inceptionv3`	Inception-v3 컨벌루션 신경망
`densenet201`	DenseNet-201 컨벌루션 신경망
`mobilenetv2`	MobileNet-v2 컨벌루션 신경망
`resnet18`	ResNet-18 컨벌루션 신경망
`resnet50`	ResNet-50 컨벌루션 신경망
`resnet101`	ResNet-101 컨벌루션 신경망
`xception`	Xception convolutional neural network
`inceptionresnetv2`	사전 훈련된 Inception-ResNet-v2 컨벌루션 신경망
`nasnetlarge`	Pretrained NASNet-Large convolutional neural network
`nasnetmobile`	Pretrained NASNet-Mobile convolutional neural network
`shufflenet`	Pretrained ShuffleNet convolutional neural network
`darknet19`	DarkNet-19 convolutional neural network
`darknet53`	DarkNet-53 convolutional neural network
`efficientnetb0`	EfficientNet-b0 convolutional neural network
`alexnet`	AlexNet 컨벌루션 신경망
`vgg16`	VGG-16 컨벌루션 신경망
`vgg19`	VGG-19 컨벌루션 신경망

계층

입력 계층

`imageInputLayer`	영상 입력 계층
`image3dInputLayer`	3-D image input layer
`featureInputLayer`	Feature input layer

컨벌루션 계층과 완전 연결 계층

`convolution2dLayer`	2차원 컨벌루션 계층
`convolution3dLayer`	3-D convolutional layer
`groupedConvolution2dLayer`	2-D grouped convolutional layer
`transposedConv2dLayer`	Transposed 2-D convolution layer
`transposedConv3dLayer`	Transposed 3-D convolution layer
`fullyConnectedLayer`	완전 연결 계층

활성화 계층

`reluLayer`	ReLU(Rectified Linear Unit) 계층
`leakyReluLayer`	Leaky ReLU(Rectified Linear Unit) 계층
`clippedReluLayer`	Clipped ReLU(Rectified Linear Unit) 계층
`eluLayer`	Exponential linear unit (ELU) layer
`tanhLayer`	Hyperbolic tangent (tanh) layer
`swishLayer`	Swish layer

정규화, 드롭아웃 및 자르기 계층

`batchNormalizationLayer`	배치 정규화 계층
`groupNormalizationLayer`	Group normalization layer
`instanceNormalizationLayer`	Instance normalization layer
`layerNormalizationLayer`	Layer normalization layer
`crossChannelNormalizationLayer`	채널별 국소 응답 정규화 계층
`dropoutLayer`	드롭아웃 계층
`crop2dLayer`	2-D crop layer
`crop3dLayer`	3-D crop layer

풀링 및 언풀링 계층

`averagePooling2dLayer`	평균값 풀링 계층
`averagePooling3dLayer`	3-D average pooling layer
`globalAveragePooling2dLayer`	Global average pooling layer
`globalAveragePooling3dLayer`	3-D global average pooling layer
`globalMaxPooling2dLayer`	Global max pooling layer
`globalMaxPooling3dLayer`	3-D global max pooling layer
`maxPooling2dLayer`	최댓값 풀링 계층
`maxPooling3dLayer`	3-D max pooling layer
`maxUnpooling2dLayer`	최댓값 언풀링 계층

결합 계층

`additionLayer`	덧셈 계층
`multiplicationLayer`	Multiplication layer
`concatenationLayer`	Concatenation layer
`depthConcatenationLayer`	심도 결합 계층

출력 계층

`sigmoidLayer`	Sigmoid layer
`softmaxLayer`	소프트맥스 계층
`classificationLayer`	분류 출력 계층
`regressionLayer`	회귀 출력 계층 만들기

영상 전처리하기

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

DAG 신경망

`layerGraph`	딥러닝을 위한 신경망 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`	딥러닝을 위한 DAG(유방향 비순환 그래프) 신경망
`isequal`	Check equality of deep learning layer graphs or networks
`isequaln`	Check equality of deep learning layer graphs or networks ignoring `NaN` values

예측

`classify`	훈련된 딥러닝 신경망을 사용하여 데이터 분류
`predict`	훈련된 딥러닝 신경망을 사용하여 응답 변수 예측
`activations`	딥러닝 신경망 계층 활성화 계산
`confusionchart`	Create confusion matrix chart for classification problem
`sortClasses`	Sort classes of confusion matrix chart

블록

모두 확장

심층 신경망

Predict	Predict responses using a trained deep learning neural network
Image Classifier	Classify data using a trained deep learning neural network

속성

ConfusionMatrixChart Properties

Confusion matrix chart appearance and behavior

예제 및 방법

사전 훈련된 신경망 사용하기

GoogLeNet을 사용하여 영상 분류하기

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

딥러닝을 사용하여 웹캠 영상 분류하기

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

심층 신경망 디자이너를 사용한 전이 학습

사전 훈련된 딥러닝 신경망이 새로운 영상 분류 작업을 학습하도록 대화형 방식으로 미세 조정합니다.

새로운 영상을 분류하도록 딥러닝 신경망 훈련시키기

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

사전 훈련된 신경망을 사용하여 영상 특징 추출하기

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

Transfer Learning Using Pretrained Network

This example shows how to fine-tune a pretrained GoogLeNet convolutional neural network to perform classification on a new collection of images.

사전 훈련된 심층 신경망

분류, 전이 학습 및 특징 추출을 위해 사전 훈련된 컨벌루션 신경망을 다운로드하고 사용하는 방법을 알아봅니다.

새로운 심층 신경망 만들기

간단한 분류용 딥러닝 신경망 만들기

이 예제에서는 딥러닝 분류용으로 간단한 컨벌루션 신경망을 만들고 훈련시키는 방법을 보여줍니다.

심층 신경망 디자이너를 사용하여 신경망 구축하기

딥러닝 신경망을 대화형 방식으로 구축하고 편집합니다.

회귀를 위해 컨벌루션 신경망 훈련시키기

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

딥러닝 계층 목록

MATLAB^®에서 제공하는 딥러닝 계층에 대해 알아봅니다.

컨벌루션 신경망의 계층 지정하기

컨벌루션 신경망(ConvNet)에는 어떤 계층이 있는지 그리고 이들 계층이 ConvNet에서 어떤 순서로 나타나는지 알아봅니다.

Generate MATLAB Code from Deep Network Designer

Generate MATLAB code to recreate designing and training a network in Deep Network Designer.

영상 분류를 위해 잔차 신경망 훈련시키기

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

Train Network with Numeric Features

This example shows how to create and train a simple neural network for deep learning feature data classification.

Multiple-Input and Multiple-Output Networks

Learn how to define and train deep learning networks with multiple inputs or multiple outputs.

생성적 적대 신경망(GAN) 훈련시키기

이 예제에서는 생성적 적대 신경망을 훈련시켜서 영상을 생성하는 방법을 보여줍니다.

Train Conditional Generative Adversarial Network (CGAN)

This example shows how to train a conditional generative adversarial network to generate images.

Train Fast Style Transfer Network

This example shows how to train a network to transfer the style of an image to a second image.

Image Captioning Using Attention

This example shows how to train a deep learning model for image captioning using attention.

Train Network Using Custom Training Loop

This example shows how to train a network that classifies handwritten digits with a custom learning rate schedule.

Train Network with Multiple Outputs

This example shows how to train a deep learning network with multiple outputs that predict both labels and angles of rotations of handwritten digits.

Train a Siamese Network to Compare Images

This example shows how to train a Siamese network to identify similar images of handwritten characters.

Import Custom Layer into Deep Network Designer

This example shows how to import a custom classification output layer with the sum of squares error (SSE) loss and add it to a pretrained network in Deep Network Designer.

Image-to-Image Regression in Deep Network Designer

This example shows how to use Deep Network Designer to construct and train an image-to-image regression network for super resolution.