이 번역 페이지는 최신 내용을 담고 있지 않습니다. 최신 내용을 영문으로 보려면 여기를 클릭하십시오.
Simulink를 사용한 딥러닝
R2026aSimulink를 사용한 딥러닝 워크플로 확장
Deep Learning Toolbox™에 포함된 Deep Neural Networks, Python Neural Networks, Deep Learning Layers 블록 라이브러리의 블록을 사용하거나 Computer Vision Toolbox™에 포함된 Analysis & Enhancement 블록 라이브러리의 Deep Learning Object Detector 블록을 사용하여 Simulink® 모델에서 딥러닝 기능을 구현합니다.
Deep Learning Layers 블록 라이브러리를 사용하여 신경망을 표현하는 Simulink 모델을 생성하려면 exportNetworkToSimulink 함수를 사용하십시오.
Simulink의 일부 딥러닝 기능은 MATLAB Function 블록을 사용하는데 이를 위해 지원되는 컴파일러가 필요합니다. 대부분의 플랫폼에서 MATLAB®을 설치할 때 디폴트 C 컴파일러가 제공됩니다. C++ 언어를 사용하는 경우 호환되는 C++ 컴파일러를 설치해야 합니다. 지원되는 컴파일러 목록을 보려면 지원 및 호환되는 컴파일러를 열고 사용자의 운영 체제에 해당하는 탭을 클릭한 다음 Simulink Product Family 표에서 For Model Referencing, Accelerator mode, Rapid Accelerator mode, and MATLAB Function blocks 열로 이동하십시오. 시스템에 MATLAB 지원 컴파일러가 여러 개 설치된 경우 mex -setup 명령을 사용하여 디폴트 컴파일러를 변경할 수 있습니다. 디폴트 컴파일러 변경하기 항목을 참조하십시오.
함수
exportNetworkToSimulink | Generate Simulink model that contains deep learning layer blocks and subsystems that correspond to deep learning layer objects (R2024b 이후) |
블록
 | Classify | Classify data using a trained deep learning neural network |
 | Predict | 훈련된 딥러닝 신경망을 사용하여 응답 변수 예측 |
 | Stateful Classify | Classify data using a trained deep learning recurrent neural network |
 | Stateful Predict | Predict responses using a trained recurrent neural network |
 | Deep Learning Object Detector | 훈련된 딥러닝 객체 검출기를 사용하여 객체 검출 |
 | TensorFlow Model Predict | Predict responses using pretrained Python TensorFlow model (R2024a 이후) |
 | PyTorch Model Predict | Predict responses using pretrained Python PyTorch model (R2024a 이후) |
 | ONNX Model Predict | Predict responses using pretrained Python ONNX model (R2024a 이후) |
 | Custom Python Model Predict | Predict responses using pretrained custom Python model (R2024a 이후) |
 | Clipped ReLU Layer | Clipped Rectified Linear Unit (ReLU) layer (R2024b 이후) |
 | GELU Layer | Gaussian error linear unit (GELU) layer (R2024b 이후) |
 | Leaky ReLU Layer | Leaky rectified linear unit (ReLU) layer (R2024b 이후) |
 | PReLU Layer | Parameterized rectified linear unit (PReLU) layer (R2026a 이후) |
 | ReLU Layer | Rectified linear unit (ReLU) layer (R2024b 이후) |
 | Sigmoid Layer | Sigmoid layer (R2024b 이후) |
 | Softmax Layer | Softmax layer (R2024b 이후) |
 | Swish Layer | Swish layer (R2026a 이후) |
 | Tanh Layer | Hyperbolic tangent (tanh) layer (R2024a 이후) |
 | Addition Layer | Addition layer (R2024b 이후) |
 | Concatenation Layer | Concatenation layer (R2024b 이후) |
 | Depth Concatenation Layer | Depth concatenation layer (R2024b 이후) |
 | Multiplication Layer | Multiplication layer (R2024b 이후) |
 | Convolution 1D Layer | 1-D convolutional layer (R2024b 이후) |
 | Convolution 2D Layer | 2-D convolutional layer (R2024b 이후) |
 | Convolution 3D Layer | 3-D convolutional layer (R2024b 이후) |
 | Fully Connected Layer | Fully connected layer (R2024b 이후) |
 | Rescale-Symmetric 1D | 1-D input layer with rescale-symmetric normalization (R2024b 이후) |
 | Rescale-Symmetric 2D | 2-D input layer with rescale-symmetric normalization (R2024b 이후) |
 | Rescale-Symmetric 3D | 3-D input layer with rescale-symmetric normalization (R2024b 이후) |
 | Rescale-Zero-One 1D | 1-D input layer with rescale-zero-one normalization (R2024b 이후) |
 | Rescale-Zero-One 2D | 2-D input layer with rescale-zero-one normalization (R2024b 이후) |
 | Rescale-Zero-One 3D | 3-D input layer with rescale-zero-one normalization (R2024b 이후) |
 | Zerocenter 1D | 1-D input layer with zerocenter normalization (R2024b 이후) |
 | Zerocenter 2D | 2-D input layer with zerocenter normalization (R2024b 이후) |
 | Zerocenter 3D | 3-D input layer with zerocenter normalization (R2024b 이후) |
 | Zscore 1D | 1-D input layer with zscore normalization (R2024b 이후) |
 | Zscore 2D | 2-D input layer with zscore normalization (R2024b 이후) |
 | Zscore 3D | 3-D input layer with zscore normalization (R2024b 이후) |
 | Batch Normalization Layer | Batch normalization layer (R2024b 이후) |
 | Instance Normalization Layer | Instance normalization layer (R2026a 이후) |
 | Layer Normalization Layer | Layer normalization layer (R2024b 이후) |
 | Inverse Zerocenter | Inverse zero-center normalization (R2026a 이후) |
 | Inverse Zscore | Inverse Z-score normalization (R2026a 이후) |
 | Average Pooling 1D Layer | 1-D average pooling layer (R2024b 이후) |
 | Average Pooling 2D Layer | 2-D average pooling layer (R2024b 이후) |
 | Average Pooling 3D Layer | 3-D average pooling layer (R2024b 이후) |
 | Global Average Pooling 1D Layer | 1-D global average pooling layer (R2024b 이후) |
 | Global Average Pooling 2D Layer | 2-D global average pooling layer (R2024b 이후) |
 | Global Average Pooling 3D Layer | 3-D global average pooling layer (R2024b 이후) |
 | Global Max Pooling 1D Layer | 1-D global max pooling layer (R2024b 이후) |
 | Global Max Pooling 2D Layer | 2-D global max pooling layer (R2024b 이후) |
 | Global Max Pooling 3D Layer | 3-D global max pooling layer (R2024b 이후) |
 | Max Pooling 1D Layer | 1-D max pooling layer (R2024b 이후) |
 | Max Pooling 2D Layer | 2-D max pooling layer (R2024b 이후) |
 | Max Pooling 3D Layer | 3-D max pooling layer (R2024b 이후) |
 | Flatten Layer | Flatten layer (R2024b 이후) |
 | GRU Layer | Gated recurrent unit (GRU) layer for recurrent neural network (RNN) (R2025a 이후) |
 | GRU Projected Layer | Gated recurrent unit (GRU) projected layer for recurrent neural network (RNN) (R2025a 이후) |
 | LSTM Layer | Long short-term memory (LSTM) layer for recurrent neural network (RNN) (R2024b 이후) |
 | LSTM Projected Layer | Long short-term memory (LSTM) projected layer for recurrent neural network (RNN) (R2024b 이후) |
 | Dropout Layer | Dropout layer (R2024b 이후) |
 | Identity Layer | Identity layer (R2026a 이후) |
 | Scaling Layer | Scaling layer (R2026a 이후) |
 | Spatial Dropout Layer | Spatial dropout layer (R2026a 이후) |
도움말 항목
Deep Learning Layer 블록
- List of Deep Learning Layer Blocks and Subsystems
Discover all the deep learning layer blocks and subsystems in Simulink. - Implement Unsupported Deep Learning Layer Blocks
Learn how to implement unsupported deep learning layer blocks.
영상
- Classify Image in Simulink Using SqueezeNet
This example shows how to classify an image in Simulink® using the Classify block. - Acceleration for Simulink Deep Learning Models
Improve simulation speed with accelerator and rapid accelerator modes. - Lane and Vehicle Detection in Simulink Using Deep Learning
This example shows how to use deep convolutional neural networks inside a Simulink® model to perform lane and vehicle detection. - Classify ECG Signals in Simulink Using Deep Learning
This example shows how to use wavelet transforms and a deep learning network within a Simulink (R) model to classify ECG signals. - Classify Images in Simulink with Imported TensorFlow Network
Import a pretrained TensorFlow™ network usingimportTensorFlowNetwork, and then use the Predict block for image classification in Simulink.
시퀀스
- Simulink에서 예측을 수행하고 신경망 상태 업데이트하기
이 예제에서는Stateful Predict블록을 사용하여 Simulink®에서 훈련된 순환 신경망의 응답 변수 예측을 수행하는 방법을 보여줍니다. - Simulink에서 분류하고 신경망 상태 업데이트하기
이 예제에서는Stateful Classify블록을 사용하여 Simulink®에서 훈련된 순환 신경망의 데이터를 분류하는 방법을 보여줍니다. - Speech Command Recognition in Simulink
Detect the presence of speech commands in audio using a Simulink model. - Time Series Prediction in Simulink Using Deep Learning Network
This example shows how to use an LSTM deep learning network inside a Simulink® model to predict the remaining useful life (RUL) of an engine. - Simulate Calorie Burn Using Neural Network in Simulink
This example shows how to include a simple fully connected neural network in a Simulink® model that predicts calorie burn when given five time steps of sensor readings from a smart watch. (R2024b 이후) - 딥러닝을 사용하여 배터리 충전 상태 추정
요구 사항을 정의하고 데이터를 준비하고 딥러닝 신경망을 훈련시키고 견고성을 검증하고 신경망을 Simulink에 통합하고 모델을 배포합니다. (R2024b 이후) - Physical System Modeling Using LSTM Network in Simulink
This example shows how to create a reduced order model (ROM) that acts as a virtual sensor in a Simulink® model using a long short-term memory (LSTM) neural network. - Classify Motor Faults Using Deep Learning
This example shows how to train a deep learning model to classify faults in a permanent magnet synchronous motor (PMSM) using simulated data across various revolutions per minute (RPM). (R2025a 이후) - Improve Performance of Deep Learning Simulations in Simulink
This example shows how to use code generation to improve the performance of deep learning simulations in Simulink®.
강화 학습
- DDPG 에이전트를 사용하여 탱크의 수위 제어하기 (Reinforcement Learning Toolbox)
Simulink에서 모델링된 플랜트를 훈련 환경으로 설정하여 강화 학습을 사용해 제어기를 훈련시킵니다. - 적응형 크루즈 컨트롤을 위해 DDPG 에이전트 훈련시키기 (Reinforcement Learning Toolbox)
적응형 크루즈 컨트롤 응용 사례를 위해 DDPG 에이전트를 훈련시킵니다. - Train DQN Agent for Lane Keeping Assist Using Parallel Computing (Reinforcement Learning Toolbox)
Train a DQN agent for an automated driving application using parallel computing. - 경로 추종 컨트롤을 위해 DDPG 에이전트 훈련시키기 (Reinforcement Learning Toolbox)
차선 추종 응용 사례를 위해 DDPG 에이전트를 훈련시킵니다.
Python 연동실행
- Classify Images Using TensorFlow Model Predict Block
Classify images using TensorFlow Model Predict block. - Classify Images Using ONNX Model Predict Block
Classify images using ONNX Model Predict block. - Classify Images Using PyTorch Model Predict Block
Classify images using PyTorch Model Predict block. - Predict Responses Using TensorFlow Model Predict Block
Predict Responses Using TensorFlow Model Predict block. - Predict Responses Using ONNX Model Predict Block
Predict Responses Using ONNX Model Predict block. - Predict Responses Using PyTorch Model Predict Block
Predict Responses Using PyTorch Model Predict block. - Predict Responses Using Custom Python Model in Simulink (Statistics and Machine Learning Toolbox)
This example shows how to use the Custom Python Model Predict (Statistics and Machine Learning Toolbox) block for prediction in Simulink®.
코드 생성
- Simulink 애플리케이션에서 딥러닝 코드 생성
데스크탑 또는 임베디드 타깃 배포용 C/C++ 및 GPU 코드 생성 - Export Network to FMU
This example shows how to export a trained network as a Functional Mock-up Unit (FMU). (R2023b 이후)
추천 예제
Lane and Vehicle Detection in Simulink Using Deep Learning
Use deep convolutional neural networks inside a Simulink® model to perform lane and vehicle detection. This example takes the frames from a traffic video as an input, outputs two lane boundaries that correspond to the left and right lanes of the ego vehicle, and detects vehicles in the frame.
Classify ECG Signals in Simulink Using Deep Learning
Use wavelet transforms and a deep learning network within a Simulink (R) model to classify ECG signals. This example uses the pretrained convolutional neural network from the Classify Time Series Using Wavelet Analysis and Deep Learning example of the Wavelet Toolbox™ to classify ECG signals based on images from the CWT of the time series data. For information on training, see 웨이블릿 분석 및 딥러닝을 사용하여 시계열 분류하기 (Wavelet Toolbox).
Time Series Prediction in Simulink Using Deep Learning Network
Use an LSTM deep learning network inside a Simulink® model to predict the remaining useful life (RUL) of an engine. You include the network inside the Simulink model by using a Stateful Predict block, which predicts the RUL at every simulation step.
Simulink에서 피드포워드 신경망을 사용하여 배터리 충전 상태 추정
이 예제에서는 Simulink® 모델 내에서 피드포워드 딥러닝 신경망을 사용하여 배터리의 충전 상태(SOC)를 예측하는 방법을 보여줍니다. Simulink 모델 내에 Predict 블록으로 신경망을 포함시켜서 매 시뮬레이션 스텝마다 SOC를 예측하도록 합니다.
Profile Deep Learning Network for Deployment
Profile a deep learning network in Simulink. Profiling your network before training is a good way of checking that the network meets your requirements, before spending time on training. This example shows how to check:
