이 페이지의 최신 내용은 아직 번역되지 않았습니다. 최신 내용은 영문으로 볼 수 있습니다.
훈련된 딥러닝 신경망을 사용하여 데이터 분류
CPU 또는 GPU에서 딥러닝을 위해 훈련된 신경망을 사용하여 예측을 수행할 수 있습니다. GPU를 사용하려면 Parallel
Computing Toolbox™와 CUDA® 지원 NVIDIA® GPU(Compute Capability 3.0 이상)가 필요합니다. 하드웨어 요구 사항은 ExecutionEnvironment
이름-값 쌍 인수를 사용하여 지정하십시오.
출력값이 여러 개인 신경망의 경우, predict
를 사용하고 'ReturnCategorial'
옵션을 true
로 설정하십시오.
[
는 하나 이상의 이름-값 쌍 인수로 지정된 추가 옵션을 사용하여 클래스 레이블을 예측합니다.YPred
,scores
]
= classify(___,Name,Value
)
팁
서로 다른 길이를 갖는 시퀀스를 사용하여 예측을 수행할 때는 미니 배치 크기가 입력 데이터에 추가되는 채우기 양에 영향을 주어 서로 다른 예측값이 나올 수 있습니다. 이 경우 여러 값을 사용해 보며 어느 것이 신경망에 가장 적합한지 살펴보십시오. 미니 배치 크기와 채우기 옵션을 지정하려면 'MiniBatchSize'
옵션과 'SequenceLength'
옵션을 사용하십시오.
Deep Learning
Toolbox™에 포함된 딥러닝 훈련, 예측 및 검증을 위한 모든 함수는 단정밀도 부동소수점 연산방식을 사용하여 계산을 수행합니다. 딥러닝을 위한 함수에는 trainNetwork
, predict
, classify
, activations
가 있습니다. CPU와 GPU를 모두 사용하여 신경망을 훈련시키는 경우, 단정밀도 연산방식이 사용됩니다.
출력값이 여러 개인 신경망의 경우, predict
를 사용하고 'ReturnCategorial'
옵션을 true
로 설정하십시오.
predict
를 사용하여, 훈련된 신경망에서 예측 점수를 계산할 수 있습니다.
activations
를 사용하여 신경망 계층에서의 활성화 결과를 구할 수 있습니다.
sequence-to-label 및 sequence-to-sequence 분류 신경망의 경우, classifyAndUpdateState
와 predictAndUpdateState
를 사용하여 신경망 상태를 예측하고 업데이트할 수 있습니다.
[1] M. Kudo, J. Toyama, and M. Shimbo. "Multidimensional Curve Classification Using Passing-Through Regions." Pattern Recognition Letters. Vol. 20, No. 11–13, pages 1103–1111.
[2] UCI Machine Learning Repository: Japanese Vowels Dataset. https://archive.ics.uci.edu/ml/datasets/Japanese+Vowels