영상에 대한 심층 신경망

심층 신경망을 만들고 처음부터 훈련시키기

신경망 아키텍처를 정의하고 신경망을 처음부터 훈련시켜 영상 분류 및 회귀 작업을 위한 새 심층 신경망을 만듭니다.

신경망 아키텍처를 정의한 후에 trainingOptions 함수를 사용하여 훈련 파라미터를 정의할 수 있습니다. 그런 다음 trainNetwork를 사용하여 신경망을 훈련시킬 수 있습니다. 훈련된 신경망을 사용하여 클래스 레이블이나 숫자형 응답 변수를 예측합니다.

CPU, GPU, 여러 개의 CPU나 GPU 또는 클러스터나 클라우드에서 병렬로 컨벌루션 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.

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

`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

출력 계층

`sigmoidLayer`	시그모이드 계층
`softmaxLayer`	소프트맥스 계층
`classificationLayer`	분류 출력 계층
`regressionLayer`	회귀 출력 계층

신경망 구축하기

`layerGraph`	딥러닝을 위한 신경망 계층의 그래프
`plot`	신경망 아키텍처 플로팅
`addLayers`	Add layers to layer graph or network
`removeLayers`	계층 그래프 또는 신경망에서 계층 제거
`replaceLayer`	Replace layer in layer graph or network
`connectLayers`	Connect layers in layer graph or network
`disconnectLayers`	계층 그래프 또는 신경망에서 계층 연결 끊기
`DAGNetwork`	딥러닝을 위한 DAG(유방향 비순환 그래프) 신경망
`resnetLayers`	Create 2-D residual network
`resnet3dLayers`	Create 3-D residual network
`isequal`	Check equality of deep learning layer graphs or networks
`isequaln`	Check equality of deep learning layer graphs or networks ignoring `NaN` values

예측

`classify`	훈련된 딥러닝 신경망을 사용하여 데이터 분류
`predict`	훈련된 딥러닝 신경망을 사용하여 응답 변수 예측
`activations`	딥러닝 신경망 계층 활성화 계산
`confusionchart`	Create confusion matrix chart for classification problem
`sortClasses`	Sort classes of confusion matrix chart

블록

모두 확장

심층 신경망

Predict	훈련된 딥러닝 신경망을 사용하여 응답 변수 예측
Image Classifier	훈련된 딥러닝 신경망을 사용하여 데이터 분류

도움말 항목

간단한 분류용 딥러닝 신경망 만들기
이 예제에서는 딥러닝 분류용으로 간단한 컨벌루션 신경망을 만들고 훈련시키는 방법을 보여줍니다.
회귀를 위해 컨벌루션 신경망 훈련시키기
이 예제에서는 컨벌루션 신경망을 사용하여 손으로 쓴 숫자의 회전 각도를 예측하는 회귀 모델을 피팅하는 방법을 보여줍니다.
딥러닝 계층 목록
MATLAB^®에서 제공하는 딥러닝 계층에 대해 알아봅니다.
컨벌루션 신경망의 계층 지정하기
컨벌루션 신경망(ConvNet)에는 어떤 계층이 있는지 그리고 이들 계층이 ConvNet에서 어떤 순서로 나타나는지 알아봅니다.
심층 신경망 디자이너를 사용하여 신경망 구축하기
심층 신경망 디자이너에서 딥러닝 신경망을 대화형 방식으로 구축하고 편집합니다.
파라미터를 설정하고 컨벌루션 신경망 훈련시키기
컨벌루션 신경망의 훈련 파라미터를 설정하는 방법을 알아봅니다.
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.
Example Deep Learning Networks Architectures
This example shows how to define simple deep learning neural networks for classification and regression tasks.

추천 예제

영상 분류를 위해 잔차 신경망 훈련시키기

이 예제에서는 잔차 연결을 사용하여 딥러닝 신경망을 만들고 CIFAR-10 데이터에 대해 훈련시키는 방법을 보여줍니다. 잔차 연결은 컨벌루션 신경망 아키텍처에서 자주 사용되는 요소입니다. 잔차 연결을 사용하면 신경망의 기울기 흐름이 향상되고 보다 심층의 신경망을 훈련시킬 수 있습니다.

라이브 스크립트 열기

분류 신경망을 회귀 신경망으로 변환하기

이 예제에서는 훈련된 분류 신경망을 회귀 신경망으로 변환하는 방법을 보여줍니다.

라이브 스크립트 열기

Train Network on Image and Feature Data

Train a network that classifies handwritten digits using both image and feature input data.

라이브 스크립트 열기

Image-to-Image Regression in Deep Network Designer

Use Deep Network Designer to construct and train an image-to-image regression network for super resolution.

라이브 스크립트 열기

Multilabel Image Classification Using Deep Learning

Use transfer learning to train a deep learning model for multilabel image classification.

라이브 스크립트 열기

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.

스크립트 열기

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).

스크립트 열기