이 페이지의 내용은 이전 릴리스에 관한 것입니다. 해당 영문 페이지는 최신 릴리스에서 제거되었습니다.

영상에 대한 심층 신경망 사용자 지정

딥러닝 훈련 루프 및 손실 함수 사용자 지정

trainingOptions 함수가 작업에 필요한 훈련 옵션을 제공하지 않거나 사용자 지정한 출력 계층이 필요한 손실 함수를 지원하지 않을 경우에는 사용자 지정 훈련 루프를 정의할 수 있습니다. 계층 그래프를 사용하여 만들 수 없는 신경망의 경우 사용자 지정 신경망을 함수로 정의할 수 있습니다. 자세한 내용은 사용자 지정 훈련 루프, 손실 함수 및 신경망 정의 항목을 참조하십시오.

함수

모두 확장

사용자 지정 훈련 루프

`dlnetwork`	Deep learning network for custom training loops
`forward`	Compute deep learning network output for training
`predict`	Compute deep learning network output for inference
`adamupdate`	Update parameters using adaptive moment estimation (Adam)
`rmspropupdate`	Update parameters using root mean squared propagation (RMSProp)
`sgdmupdate`	Update parameters using stochastic gradient descent with momentum (SGDM)
`dlupdate`	Update parameters using custom function
`minibatchqueue`	Create mini-batches for deep learning
`onehotencode`	Encode data labels into one-hot vectors
`onehotdecode`	Decode probability vectors into class labels
`initialize`	Initialize learnable and state parameters of a `dlnetwork`
`plot`	신경망 아키텍처 플로팅
`addLayers`	Add layers to layer graph or network
`removeLayers`	계층 그래프 또는 신경망에서 계층 제거
`connectLayers`	Connect layers in layer graph or network
`disconnectLayers`	계층 그래프 또는 신경망에서 계층 연결 끊기
`replaceLayer`	Replace layer in layer graph or network
`summary`	Print network summary
`trainingProgressMonitor`	Monitor and plot training progress for deep learning custom training loops

자동 미분

`dlarray`	사용자 지정 훈련 루프를 위한 딥러닝 배열
`dlgradient`	Compute gradients for custom training loops using automatic differentiation
`dlfeval`	Evaluate deep learning model for custom training loops

계층

입력 계층

`imageInputLayer`	영상 입력 계층
`image3dInputLayer`	3차원 영상 입력 계층

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`	쌍곡탄젠트(tanh) 계층
`swishLayer`	Swish layer
`geluLayer`	Gaussian error linear unit (GELU) layer
`functionLayer`	Function layer

정규화, 드롭아웃 및 자르기 계층

`batchNormalizationLayer`	배치 정규화 계층
`groupNormalizationLayer`	Group normalization layer
`instanceNormalizationLayer`	Instance normalization layer
`layerNormalizationLayer`	계층 정규화 계층
`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`	2-D 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`	곱셈 계층
`concatenationLayer`	결합 계층
`depthConcatenationLayer`	심도 결합 계층

도움말 항목

Train Network Using Custom Training Loop
This example shows how to train a network that classifies handwritten digits with a custom learning rate schedule.
다중 입력 및 다중 출력 신경망
여러 개의 입력값이나 여러 개의 출력값을 갖는 딥러닝 신경망을 정의하고 훈련시키는 방법을 알아봅니다.
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.
Example Deep Learning Networks Architectures
This example shows how to define simple deep learning neural networks for classification and regression tasks.
Data Sets for Deep Learning
Discover data sets for various deep learning tasks.