dlarray
사용자 지정 훈련 루프를 위한 딥러닝 배열
설명
딥러닝 배열은 사용자 지정 훈련 루프를 위해 선택적 데이터 형식 레이블을 사용하여 데이터를 저장하고, 함수가 자동 미분을 통해 도함수를 계산하고 사용할 수 있도록 합니다.
팁
대부분의 딥러닝 작업의 경우, 사전 훈련된 신경망을 사용하고 이를 사용자 자신의 데이터에 맞게 적응시킬 수 있습니다. 새로운 영상 세트를 분류할 수 있도록 전이 학습을 사용하여 컨벌루션 신경망을 다시 훈련시키는 방법을 보여주는 예제는 새로운 영상을 분류하도록 딥러닝 신경망 훈련시키기 항목을 참조하십시오. 또는 layerGraph
객체를 trainNetwork
함수 및 trainingOptions
함수와 함께 사용하여 신경망을 처음부터 만들고 훈련시킬 수 있습니다.
trainingOptions
함수가 작업에 필요한 훈련 옵션을 제공하지 않는다면 자동 미분을 사용하여 사용자 지정 훈련 루프를 만들 수 있습니다. 자세한 내용은 사용자 지정 훈련 루프를 위한 딥러닝 신경망 정의하기 항목을 참조하십시오.
생성
설명
입력 인수
출력 인수
사용
dlarray
데이터 형식을 사용하면 다음 표에 있는 함수를 실행할 때 데이터가 적절한 형태를 갖도록 보장할 수 있습니다.
함수 | 연산 | 유효성 검사 대상 입력 차원 | 크기가 영향을 받는 입력 차원 |
---|---|---|---|
avgpool | 풀 크기 파라미터로 정의된 이동 사각형(또는 직육면체) 공간('S' ) 영역에 대해 입력 데이터의 평균을 계산합니다. | 'S' | 'S' |
batchnorm | 입력 데이터의 각 채널('C' )에 포함된 값을 정규화합니다. | 'C' | |
crossentropy | 배치('B' ) 차원의 크기로 평균을 구한, 추정값과 목표값 사이의 교차 엔트로피를 계산합니다. | 'S' , 'C' , 'B' , 'T' , 'U' (추정값과 목표 배열은 크기가 동일해야 합니다.) | 'S' , 'C' , 'B' , 'T' , 'U' (출력값은 형식이 지정되지 않은 스칼라입니다.) |
dlconv | 입력 데이터의 딥러닝 컨벌루션을 계산하며, 이를 위해 필터로 구성된 배열을 사용하고, 입력값의 공간('S' ) 차원의 수와 채널('C' ) 차원 또는 채널 차원의 함수를 매칭하고, 상수 편향을 더합니다. | 'S' , 'C' | 'S' , 'C' |
dltranspconv | 입력 데이터의 딥러닝 전치 컨벌루션을 계산하며, 이를 위해 필터로 구성된 배열을 사용하고, 입력값의 공간('S' ) 차원의 수와 채널('C' ) 차원 또는 채널 차원의 함수를 매칭하고, 상수 편향을 더합니다. | 'S' , 'C' | 'S' , 'C' |
fullyconnect | 입력 데이터의 가중 합을 계산하고 각 배치('B' ) 및 시간('T' ) 차원에 편향을 적용합니다. | 'S' , 'C' , 'U' | 'S' , 'C' , 'B' , 'T' , 'U' (출력값은 항상 'CB' , 'CT' 또는 'CTB' 데이터 형식을 갖습니다.) |
gru | 입력 데이터에 게이트 순환 유닛 계산을 적용합니다. | 'S' , 'C' , 'T' | 'C' |
lstm | 입력 데이터에 장단기 기억 계산을 적용합니다. | 'S' , 'C' , 'T' | 'C' |
maxpool | 풀 크기 파라미터로 정의된 이동 사각형 공간('S' ) 영역에 대해 입력 데이터의 최댓값을 계산합니다. | 'S' | 'S' |
maxunpool | 공간('S' ) 차원에 대해 언풀링 연산을 계산합니다. | 'S' | 'S' |
mse | 배치('B' ) 차원의 크기로 평균을 구한, 추정값과 목표값 사이의 평균 제곱 오차의 절반을 계산합니다. | 'S' , 'C' , 'B' , 'T' , 'U' (추정값과 목표 배열은 크기가 동일해야 합니다.) | 'S' , 'C' , 'B' , 'T' , 'U' (출력값은 형식이 지정되지 않은 스칼라입니다.) |
softmax | 입력 데이터의 각 채널('C' )에 소프트맥스 활성화를 적용합니다. | 'C' |
이러한 함수를 사용하려면 각 차원이 레이블을 가져야 합니다. 첫 번째 입력값을 형식이 지정된 dlarray
로 제공하거나 함수의 'DataFormat'
이름-값 인수를 사용하여 차원 레이블 형식을 지정할 수 있습니다.
dlarray
는 차원 레이블 순서를 'SCBTU'
로 적용합니다. 이렇게 적용하면 입력값들 사이에 레이블을 암묵적으로 매칭시키는 연산에서 모호한 의미 체계를 제거할 수 있습니다. dlarray
는 또한 차원 레이블 'C'
, 'B'
, 'T'
가 각각 최대 한 번만 나오도록 적용합니다. 이러한 차원 레이블을 사용하는 함수는 각 레이블에 대해 최대 하나의 차원을 허용합니다.
dlarray
는 dlarray
와 연관된 데이터 형식을 가져오는 함수(dims
), 데이터 형식을 제거하는 함수(stripdims
), 특정 차원 레이블과 연관된 차원을 가져오는 함수(finddim
)를 제공합니다.
형식에 따른 dlarray
의 동작에 대한 자세한 내용은 Notable dlarray Behaviors 항목을 참조하십시오.
객체 함수
avgpool | Pool data to average values over spatial dimensions |
batchnorm | Normalize data across all observations for each channel independently |
crossentropy | Cross-entropy loss for classification tasks |
dims | dlarray 의 차원 레이블 |
dlconv | Deep learning convolution |
dlgradient | Compute gradients for custom training loops using automatic differentiation |
dltranspconv | Deep learning transposed convolution |
extractdata | dlarray 에서 데이터 추출 |
finddim | Find dimensions with specified label |
fullyconnect | Sum all weighted input data and apply a bias |
gru | Gated recurrent unit |
leakyrelu | Apply leaky rectified linear unit activation |
lstm | Long short-term memory |
maxpool | Pool data to maximum value |
maxunpool | Unpool the output of a maximum pooling operation |
mse | Half mean squared error |
relu | ReLU(Rectified Linear Unit) 활성화 적용 |
sigmoid | 시그모이드 활성화 적용 |
softmax | Apply softmax activation to channel dimension |
stripdims | Remove dlarray data format |
dlarray
는 숫자, 행렬 및 기타 연산에 대한 함수도 허용합니다. List of Functions with dlarray Support에서 전체 목록을 참조하십시오.
예제
팁
dlgradient
호출은 함수 내에 있어야 합니다. 기울기의 숫자형 값을 구하려면dlfeval
을 사용하여 함수를 계산해야 하고 함수에 대한 인수는dlarray
여야 합니다. Use Automatic Differentiation In Deep Learning Toolbox 항목을 참조하십시오.기울기가 올바로 계산될 수 있도록 하려면
dlfeval
이dlarray
에 대해 지원되는 함수만 사용하는 함수를 호출해야 합니다. List of Functions with dlarray Support 항목을 참조하십시오.