Main Content

시퀀스 및 숫자형 특징 데이터 워크플로

시퀀스 및 테이블 형식 데이터에 대해 분류, 회귀, 전망을 수행하는 신경망 생성 및 훈련

시퀀스, 시계열, 테이블 형식 데이터에 대해 다층 퍼셉트론(MLP) 신경망, 장단기 기억(LSTM) 신경망, 컨벌루션 신경망(CNN)을 만들고 훈련시킵니다. 분류, 회귀, 전망 작업을 위한 신경망을 만들고 훈련시킬 수 있습니다. 단어 임베딩 계층을 사용하여 텍스트 데이터에 대해 신경망을 훈련시키거나(Text Analytics Toolbox™ 필요), 스펙트로그램을 사용하여 오디오 데이터에 대해 신경망을 훈련시킬 수도 있습니다(Audio Toolbox™ 필요).

trainingOptions 함수와 함께 trainNetwork 함수 및 trainnet 함수를 사용하여 sequence-to-one 신경망과 sequence-to-sequence 신경망을 훈련시키거나 dlnetwork 객체 및 dlarray 객체 함수를 사용하여 사용자 지정 훈련 루프를 정의합니다.

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 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

  • 데이터 전처리
    딥러닝에 사용할 시퀀스 및 테이블 형식 데이터 관리 및 전처리
  • 신경망 구축 및 훈련시키기
    시퀀스 및 테이블 형식 데이터를 위한 심층 신경망을 처음부터 만들어 훈련시키기
  • 시각화 및 검증
    시퀀스 및 테이블 형식 데이터를 사용하여 신경망 동작 시각화, 예측 설명, 견고성 검증