이 페이지의 최신 내용은 아직 번역되지 않았습니다. 최신 내용은 영문으로 볼 수 있습니다.

Deep Learning Toolbox

심층 학습 네트워크 생성, 분석 및 훈련

Deep Learning Toolbox™는 알고리즘, 사전 훈련된 모델 및 앱을 사용하여 심층 신경망을 설계하고 구현할 수 있는 프레임워크를 제공합니다. 컨벌루션 신경망(ConvNet, CNN)과 장단기 기억(LSTM) 네트워크를 사용하여 이미지, 시계열 및 텍스트 데이터에 대해 분류와 회귀를 수행할 수 있습니다. 앱과 플롯은 활성화를 시각화하고, 네트워크 아키텍처를 편집하며, 훈련 진행 상황을 모니터링하는 데 도움을 줍니다.

소규모 훈련 세트의 경우, 사전 훈련된 심층 네트워크 모델(SqueezeNet, Inception-v3, ResNet-101, GoogLeNet 및 VGG-19 포함)과 TensorFlow™-Keras 및 Caffe에서 가져온 모델을 사용하여 전이 학습을 수행할 수 있습니다.

대규모 데이터셋에 대한 훈련 속도를 높이려면 데스크탑의 멀티코어 프로세서와 GPU에 계산 및 데이터를 분산하거나(Parallel Computing Toolbox™ 사용), Amazon EC2® P2, P3 및 G3 GPU 인스턴스를 포함한 클러스터와 클라우드로 확장할 수 있습니다(MATLAB® Parallel Server™ 사용).

Deep Learning Toolbox 시작하기

Deep Learning Toolbox의 기본 사항 배우기

이미지에서의 심층 학습

컨벌루션 신경망을 처음부터 훈련시키거나 사전 훈련된 네트워크를 사용하여 새로운 작업을 빠르게 학습합니다.

시계열, 시퀀스 및 텍스트에서의 심층 학습

시계열 분류, 회귀 및 예측 작업을 위해 네트워크를 만들고 훈련시킵니다.

심층 학습 조정 및 시각화

훈련 진행 상황 플로팅, 정확도 평가, 예측, 훈련 옵션 조정 및 네트워크가 학습한 특징 시각화

병렬 방식 및 클라우드에서의 심층 학습

로컬에서 여러 GPU를 사용하거나 클라우드를 사용하여 심층 학습을 확장하고, 여러 네트워크를 대화형 방식이나 일괄 처리 작업으로 훈련시킵니다.

심층 학습 응용 사례

컴퓨터 비전, 영상 처리, 자율 주행, 신호 및 오디오에서 심층 학습 워크플로 확장

심층 학습 가져오기, 내보내기 및 사용자 지정

네트워크 가져오기와 내보내기, 사용자 지정 심층 학습 계층 정의, 데이터저장소 사용자 지정

심층 학습 코드 생성

MATLAB 코드 또는 CUDA® 및 C++ 코드 생성과 심층 학습 네트워크 배포

함수 근사 및 군집화

얕은 신경망을 사용하여 회귀, 분류 및 군집화 수행

시계열과 제어 시스템

얕은 네트워크를 사용하여 비선형 동적 시스템을 모델링하고, 순차 데이터를 사용하여 예측합니다.