Main Content

이 번역 페이지는 최신 내용을 담고 있지 않습니다. 최신 내용을 영문으로 보려면 여기를 클릭하십시오.

영상 데이터 워크플로

영상 분류 및 회귀를 위해 사전 훈련된 신경망을 사용하거나 신경망을 처음부터 만들어 훈련시키기

전이 학습을 사용하여 사전 훈련된 신경망이 제공하는 지식을 활용해 새 영상 데이터의 새 패턴을 학습합니다. 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 훈련시키지 않고도, 수백만 개의 영상을 갖고 있지 않아도, 강력한 GPU 없이도 새 작업을 위한 모델을 빠르게 만들 수 있습니다. 신경망 아키텍처를 정의하고 신경망을 처음부터 훈련시켜 영상 분류 및 회귀 작업을 위한 새 심층 신경망을 만들 수도 있습니다.

trainNetwork 또는 trainnet 함수를 trainingOptions 함수와 함께 사용하여 신경망을 훈련시킬 수 있으며, dlnetwork 객체 또는 dlarray 객체 함수를 사용하여 사용자 지정 훈련 루프를 지정할 수도 있습니다.

한 개의 CPU, 한 개의 GPU, 여러 개의 CPU나 GPU, 또는 클러스터나 클라우드에서 병렬로 신경망을 훈련시킬 수 있습니다. GPU에서 또는 병렬로 훈련시키려면 Parallel Computing Toolbox™가 필요합니다. GPU를 사용하려면 지원되는 GPU 장치가 필요합니다. (지원되는 장치에 대한 자세한 내용은 GPU 연산 요구 사항 (Parallel Computing Toolbox) 항목을 참조하십시오.) trainingOptions 함수를 사용해서 실행 환경을 지정하십시오.

신경망의 정확도와 손실을 표현하는 내장 플롯을 사용하여 훈련 진행 상황을 모니터링할 수 있으며, Grad-CAM, 가림(occlusion) 민감도, LIME, 딥 드림 같은 시각화 기법을 사용하여 훈련된 신경망을 조사할 수 있습니다.

훈련된 신경망이 있으면 견고성을 검증하고 신경망 출력 범위를 계산하고 적대적 표본을 찾을 수 있습니다. 또한 Deep Neural Networks 블록 라이브러리의 블록을 사용하면 훈련된 신경망을 Simulink® 모델에서 사용할 수도 있습니다.

카테고리