시계열과 시퀀스 데이터에서의 딥러닝

시계열 분류, 회귀 및 전망 작업을 위해 신경망을 만들고 훈련시킵니다.

시계열 분류, 회귀 및 전망 작업을 위해 신경망을 만들고 훈련시킵니다. sequence-to-one 또는 sequence-to-label 분류 및 회귀 문제에 대해 장단기 기억(LSTM) 신경망을 훈련시킵니다. 단어 임베딩 계층을 사용하여 텍스트 데이터에 대해 LSTM 신경망을 훈련시키거나(Text Analytics Toolbox™ 필요), 스펙트로그램을 사용하여 오디오 데이터에 대해 컨벌루션 신경망을 훈련시킬 수 있습니다(Audio Toolbox™ 필요).

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

계층

입력 계층

`sequenceInputLayer`	시퀀스 입력 계층
`featureInputLayer`	특징 입력 계층

순환 계층

`lstmLayer`	장단기 기억(LSTM) 계층
`bilstmLayer`	양방향 장단기 기억(BiLSTM) 계층
`gruLayer`	Gated recurrent unit (GRU) layer
`lstmProjectedLayer`	Long short-term memory (LSTM) projected layer

컨벌루션 계층과 완전 연결 계층

`convolution1dLayer`	1-D convolutional layer
`transposedConv1dLayer`	Transposed 1-D convolution layer
`fullyConnectedLayer`	완전 연결 계층

풀링 계층

`maxPooling1dLayer`	1-D max pooling layer
`averagePooling1dLayer`	1-D average pooling layer
`globalMaxPooling1dLayer`	1-D global max pooling layer
`globalAveragePooling1dLayer`	1-D global average pooling layer

활성화 및 드롭아웃 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`	쌍곡탄젠트(tanh) 계층
`swishLayer`	Swish layer
`geluLayer`	Gaussian error linear unit (GELU) layer
`softmaxLayer`	소프트맥스 계층
`dropoutLayer`	드롭아웃 계층
`functionLayer`	Function layer

데이터 조작

`sequenceFoldingLayer`	시퀀스 접기 계층
`sequenceUnfoldingLayer`	Sequence unfolding layer
`flattenLayer`	평탄화 계층

출력 계층

`classificationLayer`	분류 출력 계층
`regressionLayer`	회귀 출력 계층

예측

`classify`	훈련된 딥러닝 신경망을 사용하여 데이터 분류
`predict`	훈련된 딥러닝 신경망을 사용하여 응답 변수 예측
`activations`	딥러닝 신경망 계층 활성화 계산
`predictAndUpdateState`	훈련된 순환 신경망을 사용하여 응답 변수 예측 및 신경망 상태 업데이트
`classifyAndUpdateState`	훈련된 순환 신경망을 사용하여 데이터 분류 및 신경망 상태 업데이트
`resetState`	신경망의 상태 파라미터 재설정
`confusionchart`	Create confusion matrix chart for classification problem
`sortClasses`	Sort classes of confusion matrix chart

사용자 지정 훈련 루프

padsequences Pad or truncate sequence data to same length

블록

모두 확장

심층 신경망

Predict	훈련된 딥러닝 신경망을 사용하여 응답 변수 예측
Stateful Predict	Predict responses using a trained recurrent neural network
Stateful Classify	Classify data using a trained deep learning recurrent neural network

속성

ConfusionMatrixChart Properties

Confusion matrix chart appearance and behavior

도움말 항목

순환 신경망

장단기 기억 신경망
장단기 기억(LSTM) 신경망에 대해 알아봅니다.
딥러닝을 사용한 시계열 전망
이 예제에서는 장단기 기억(LSTM) 신경망을 사용하여 시계열 데이터를 전망하는 방법을 보여줍니다.
딥러닝을 사용한 시퀀스 분류
이 예제에서는 장단기 기억(LSTM) 신경망을 사용하여 시퀀스 데이터를 분류하는 방법을 보여줍니다.
딥러닝을 사용한 sequence-to-sequence 분류
이 예제에서는 장단기 기억(LSTM) 신경망을 사용하여 시퀀스 데이터의 각 시간 스텝을 분류하는 방법을 보여줍니다.
딥러닝을 사용한 sequence-to-sequence 회귀
이 예제에서는 딥러닝을 사용하여 엔진의 잔여 수명(RUL)을 예측하는 방법을 보여줍니다.
Sequence-to-One Regression Using Deep Learning
This example shows how to predict the frequency of a waveform using a long short-term memory (LSTM) neural network.
Train Network with LSTM Projected Layer
Train a deep learning network with an LSTM projected layer for sequence-to-label classification.
심층 신경망 디자이너를 사용하여 간단한 시퀀스 분류 신경망 만들기
이 예제에서는 심층 신경망 디자이너를 사용하여 간단한 장단기 기억(LSTM) 분류 신경망을 만드는 방법을 보여줍니다.
딥러닝을 사용하여 비디오 분류하기
이 예제에서는 사전 훈련된 영상 분류 모델과 LSTM 신경망을 결합하여 비디오를 분류하는 신경망을 만드는 방법을 보여줍니다.
Classify Videos Using Deep Learning with Custom Training Loop
This example shows how to create a network for video classification by combining a pretrained image classification model and a sequence classification network.
Image Captioning Using Attention
This example shows how to train a deep learning model for image captioning using attention.
사용자 지정 미니 배치 데이터저장소를 사용하여 시퀀스 데이터에 대해 신경망 훈련시키기
이 예제에서는 사용자 지정 미니 배치 데이터저장소를 사용하여 메모리에 다 담을 수 없을 정도로 큰 시퀀스 데이터를 대상으로 딥러닝 신경망을 훈련시키는 방법을 보여줍니다.
LSTM 신경망의 활성화 시각화
이 예제에서는 활성화를 추출하여 LSTM 신경망에서 학습한 특징을 검사하고 시각화하는 방법을 보여줍니다.
Chemical Process Fault Detection Using Deep Learning
Use simulation data to train a neural network than can detect faults in a chemical process.
심층 신경망 디자이너를 사용하여 간단한 시퀀스 분류 신경망 만들기
이 예제에서는 심층 신경망 디자이너를 사용하여 간단한 장단기 기억(LSTM) 분류 신경망을 만드는 방법을 보여줍니다.
Train Latent ODE Network with Irregularly Sampled Time-Series Data
This example shows how to train a latent ordinary differential equation (ODE) autoencoder with time-series data that is sampled at irregular time intervals.

컨벌루션 신경망

1차원 컨벌루션을 사용한 시퀀스 분류
이 예제에서는 1차원 컨벌루션 신경망을 사용하여 시퀀스 데이터를 분류하는 방법을 보여줍니다.
Time Series Anomaly Detection Using Deep Learning
This example shows how to detect anomalies in sequence or time series data.
딥러닝을 사용해 음성 명령 인식 모델 훈련시키기
이 예제에서는 오디오에서 음성 명령의 존재 여부를 감지하는 딥러닝 모델을 훈련시키는 방법을 보여줍니다.
Train Sequence Classification Network Using Data With Imbalanced Classes
This example shows how to classify sequences with a 1-D convolutional neural network using class weights to modify the training to account for imbalanced classes.
1차원 컨벌루션을 사용한 sequence-to-sequence 분류
이 예제에서는 일반적인 시간 컨벌루션 신경망(TCN: Temporal Convolutional Network)을 사용하여 시퀀스 데이터의 각 시간 스텝을 분류하는 방법을 보여줍니다.
Train Network with Complex-Valued Data
This example shows how to predict the frequency of a complex-valued waveform using a 1-D convolutional neural network.
Interpret Deep Learning Time-Series Classifications Using Grad-CAM
This example shows how to use the gradient-weighted class activation mapping (Grad-CAM) technique to understand the classification decisions of a 1-D convolutional neural network trained on time-series data.
Sequence Classification Using CNN-LSTM Network
This example shows how to create a 2-D CNN-LSTM network for speech classification tasks by combining a 2-D convolutional neural network (CNN) with a long short-term memory (LSTM) layer.
숫자형 특징을 사용하여 신경망 훈련시키기
이 예제에서는 딥러닝 특징 데이터 분류용으로 간단한 신경망을 만들고 훈련시키는 방법을 보여줍니다.

Simulink를 사용한 딥러닝

Predict and Update Network State in Simulink
This example shows how to predict responses for a trained recurrent neural network in Simulink® by using the Stateful Predict block.
Classify and Update Network State in Simulink
This example shows how to classify data for a trained recurrent neural network in Simulink® by using the Stateful Classify block.
Predict Battery State of Charge Using Deep Learning
This example shows how to train a neural network to predict the state of charge of a battery by using deep learning.
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®.
Physical System Modeling Using LSTM Network in Simulink
This example shows how to create a reduced order model (ROM) to replace a Simscape component in a Simulink® model by training a long short-term memory (LSTM) neural network.

MATLAB을 사용한 딥러닝

딥러닝 계층 목록
MATLAB^®에서 제공하는 딥러닝 계층에 대해 알아봅니다.
Datastores for Deep Learning
Learn how to use datastores in deep learning applications.
MATLAB의 딥러닝
사전 훈련된 신경망 및 전이 학습, 그리고 GPU, CPU, 클러스터 및 클라우드에서의 훈련 등 분류 및 회귀에 컨벌루션 신경망을 사용하여 MATLAB의 딥러닝 기능을 알아봅니다.
딥러닝 팁과 요령
딥러닝 신경망의 정확도를 높이는 방법을 알아봅니다.
Data Sets for Deep Learning
Discover data sets for various deep learning tasks.