이 번역 페이지는 최신 내용을 담고 있지 않습니다. 최신 내용을 영문으로 보려면 여기를 클릭하십시오.

DAGNetwork

딥러닝을 위한 DAG(유방향 비순환 그래프) 신경망

설명

DAG 신경망은 딥러닝을 위한 신경망입니다. 이 신경망의 계층은 유방향 비순환 그래프로 배열됩니다. DAG 신경망에서는 계층이 여러 계층으로부터 입력값을 가질 수 있고 여러 계층으로 출력값을 보낼 수 있는 보다 복잡한 아키텍처를 가질 수 있습니다.

생성

DAGNetwork 객체를 만드는 방법에는 여러 가지가 있습니다.

• squeezenet, googlenet, resnet50, resnet101 또는 inceptionv3과 같은 사전 훈련된 신경망을 불러옵니다. 예제는 SqueezeNet 신경망 불러오기 항목을 참조하십시오. 사전 훈련된 신경망에 대한 자세한 내용은 사전 훈련된 심층 신경망 항목을 참조하십시오.

• trainNetwork를 사용하여 신경망을 훈련시키거나 미세 조정합니다. 예제는 새로운 영상을 분류하도록 딥러닝 신경망 훈련시키기 항목을 참조하십시오.

• TensorFlow™-Keras, TensorFlow 2, Caffe 또는 ONNX™(Open Neural Network Exchange) 모델 형식에서 사전 훈련된 신경망을 가져옵니다.

  • Keras 모델에는 importKerasNetwork를 사용하십시오. 예제는 Keras 신경망을 가져오고 플로팅하기 항목을 참조하십시오.

  • 저장된 모델 형식의 TensorFlow 모델에는 importTensorFlowNetwork를 사용하십시오. 예제는 Import TensorFlow Network as DAGNetwork to Classify Image 항목을 참조하십시오.

  • Caffe 모델에는 importCaffeNetwork를 사용하십시오. 예제는 Caffe 신경망 가져오기 항목을 참조하십시오.

  • ONNX 모델에는 importONNXNetwork를 사용하십시오. 예제는 Import ONNX Network as DAGNetwork 항목을 참조하십시오.

• assembleNetwork 함수를 사용하여, 사전 훈련된 계층에서 딥러닝 신경망을 조합합니다.

참고

기타 사전 훈련된 신경망에 대해 자세히 알아보려면 사전 훈련된 심층 신경망 항목을 참조하십시오.

속성

Layers — 신경망 계층

Layer 배열

이 속성은 읽기 전용입니다.

신경망 계층으로, Layer 배열로 지정됩니다.

Connections — 계층 연결

테이블

이 속성은 읽기 전용입니다.

계층 연결로, 2개의 열이 있는 테이블로 지정됩니다.

각 테이블 행은 계층 그래프에 있는 하나의 연결을 나타냅니다. 첫 번째 열 Source는 각 연결의 소스를 지정합니다. 두 번째 열 Destination은 각 연결의 대상을 지정합니다. 연결 소스와 대상은 계층 이름이거나 'layerName/IOName' 형태를 갖습니다. 여기서 'IOName'은 계층 입력값 또는 출력값의 이름입니다.

데이터형: table

InputNames — 신경망 입력 계층 이름

문자형 벡터로 구성된 셀형 배열

이 속성은 읽기 전용입니다.

신경망 입력 계층 이름으로, 문자형 벡터로 구성된 셀형 배열로 지정됩니다.

데이터형: cell

OutputNames — 신경망 출력 계층 이름

셀형 배열

신경망 출력 계층 이름으로, 문자형 벡터로 구성된 셀형 배열로 지정됩니다.

데이터형: cell

객체 함수

activations	딥러닝 신경망 계층 활성화 계산
classify	훈련된 딥러닝 신경망을 사용하여 데이터 분류
predict	훈련된 딥러닝 신경망을 사용하여 응답 변수 예측
plot	신경망 계층 그래프 플로팅

예제

간단한 DAG 신경망 만들기

딥러닝을 위한 간단한 DAG(유방향 비순환 그래프) 신경망을 만듭니다. 숫자 영상을 분류하도록 신경망을 훈련시킵니다. 이 예제의 간단한 신경망은 다음으로 구성됩니다.

• 계층이 순차적으로 연결된 기본 분기.

• 1×1 컨벌루션 계층 1개를 포함하는 지름길 연결. 지름길 연결은 출력 계층에서 신경망의 이전 계층으로 파라미터 기울기가 보다 쉽게 흐르도록 해 줍니다.

신경망의 기본 분기를 계층 배열로 만듭니다. 덧셈 계층은 여러 개의 입력값을 요소별로 합산합니다. 덧셈 계층이 합산할 입력값의 개수를 지정합니다. 나중에 쉽게 연결을 추가하려면 첫 번째 ReLU 계층과 덧셈 계층에 이름을 지정하십시오.

layers = [
    imageInputLayer([28 28 1])
    
    convolution2dLayer(5,16,'Padding','same')
    batchNormalizationLayer
    reluLayer('Name','relu_1')
    
    convolution2dLayer(3,32,'Padding','same','Stride',2)
    batchNormalizationLayer
    reluLayer
    convolution2dLayer(3,32,'Padding','same')
    batchNormalizationLayer
    reluLayer
    
    additionLayer(2,'Name','add')
    
    averagePooling2dLayer(2,'Stride',2)
    fullyConnectedLayer(10)
    softmaxLayer
    classificationLayer];

계층 배열에서 계층 그래프를 만듭니다. layerGraph는 layers에 있는 모든 계층을 순차적으로 연결합니다. 계층 그래프를 플로팅합니다.

lgraph = layerGraph(layers);
figure
plot(lgraph)

1×1 컨벌루션 계층을 만들어서 계층 그래프에 추가합니다. 활성화 크기가 세 번째 ReLU 계층의 활성화 크기와 일치하도록 컨벌루션 필터의 개수와 스트라이드를 지정합니다. 이렇게 지정해 두면 덧셈 계층이 세 번째 ReLU 계층과 1×1 컨벌루션 계층의 출력값을 더할 수 있게 됩니다. 계층이 그래프에 있는지 확인하기 위해 계층 그래프를 플로팅합니다.

skipConv = convolution2dLayer(1,32,'Stride',2,'Name','skipConv');
lgraph = addLayers(lgraph,skipConv);
figure
plot(lgraph)

'relu_1' 계층에서 'add' 계층으로 지름길 연결을 만듭니다. 덧셈 계층을 만들 때 계층의 입력값의 개수를 2로 지정했으므로 이 계층은 이름이 각각 'in1'과 'in2'인 2개의 입력값을 갖습니다. 세 번째 ReLU 계층은 이미 'in1' 입력값에 연결되어 있습니다. 'relu_1' 계층을 'skipConv' 계층에 연결하고 'skipConv' 계층을 'add' 계층의 'in2' 입력값에 연결합니다. 이 덧셈 계층이 세 번째 ReLU 계층과 'skipConv' 계층의 출력값을 합산합니다. 계층이 올바르게 연결되었는지 확인하려면 계층 그래프를 플로팅합니다.

lgraph = connectLayers(lgraph,'relu_1','skipConv');
lgraph = connectLayers(lgraph,'skipConv','add/in2');
figure
plot(lgraph);

28×28 회색조 숫자 영상으로 구성된 훈련 데이터와 검증 데이터를 불러옵니다.

[XTrain,YTrain] = digitTrain4DArrayData;
[XValidation,YValidation] = digitTest4DArrayData;

훈련 옵션을 지정하고 신경망을 훈련시킵니다. trainNetwork는 ValidationFrequency회 반복마다 검증 데이터를 사용하여 신경망을 검증합니다.

options = trainingOptions('sgdm', ...
    'MaxEpochs',8, ...
    'Shuffle','every-epoch', ...
    'ValidationData',{XValidation,YValidation}, ...
    'ValidationFrequency',30, ...
    'Verbose',false, ...
    'Plots','training-progress');
net = trainNetwork(XTrain,YTrain,lgraph,options);

훈련된 신경망의 속성을 표시합니다. 신경망은 DAGNetwork 객체입니다.

net

net = 
  DAGNetwork with properties:

         Layers: [16x1 nnet.cnn.layer.Layer]
    Connections: [16x2 table]
     InputNames: {'imageinput'}
    OutputNames: {'classoutput'}

검증 영상을 분류하고 정확도를 계산합니다. 이 신경망은 정확도가 매우 높습니다.

YPredicted = classify(net,XValidation);
accuracy = mean(YPredicted == YValidation)

accuracy = 0.9934

확장 기능

C/C++ 코드 생성

MATLAB® Coder™를 사용하여 C 코드나 C++ 코드를 생성할 수 있습니다.

사용법 관련 참고 및 제한 사항:

• activations, predict 및 classify 객체 함수만 지원됩니다.

• 코드 생성을 위해 DAGNetwork 객체를 만들려면 Load Pretrained Networks for Code Generation (MATLAB Coder) 항목을 참조하십시오.

GPU 코드 생성

GPU Coder™를 사용하여 NVIDIA® GPU용 CUDA® 코드를 생성할 수 있습니다.

사용법 관련 참고 및 제한 사항:

• activations, predict 및 classify 방법만 지원됩니다.

• 코드 생성을 위해 DAGNetwork 객체를 만들려면 Load Pretrained Networks for Code Generation (GPU Coder) 항목을 참조하십시오.

버전 내역

R2017b에 개발됨

참고 항목

trainNetwork | trainingOptions | importKerasNetwork | layerGraph | classify | predict | plot | googlenet | resnet18 | resnet50 | resnet101 | inceptionv3 | inceptionresnetv2 | squeezenet | SeriesNetwork | analyzeNetwork | assembleNetwork

도움말 항목

• MATLAB의 딥러닝
• GoogLeNet을 사용하여 영상 분류하기
• 영상 분류를 위해 잔차 신경망 훈련시키기
• 새로운 영상을 분류하도록 딥러닝 신경망 훈련시키기
• 사전 훈련된 심층 신경망

×

예제 열기

이 예제의 수정된 버전이 있습니다. 사용자가 편집한 내용을 반영하여 이 예제를 여시겠습니까?

아니요, 수정된 버전을 덮어씁니다. 예