sequenceInputLayer
시퀀스 입력 계층
설명
시퀀스 입력 계층은 신경망에 시퀀스 데이터를 입력하고 데이터 정규화를 적용합니다.
생성
속성
시퀀스 입력
InputSize
— 입력 크기
양의 정수 | 양의 정수로 구성된 벡터
입력값의 크기로, 양의 정수 또는 양의 정수로 구성된 벡터로 지정됩니다.
벡터 시퀀스 입력값에 대해,
InputSize
는 특징 개수에 대응되는 스칼라입니다.1차원 영상 시퀀스 입력값에 대해,
InputSize
는 요소를 2개 가진 벡터[h c]
입니다. 여기서h
는 영상 높이이고,c
는 영상의 채널 개수입니다.2차원 영상 시퀀스 입력값에 대해,
InputSize
는 요소를 3개 가진 벡터[h w c]
입니다. 여기서h
는 영상 높이이고,w
는 영상 너비이고,c
는 영상의 채널 개수입니다.3차원 영상 시퀀스 입력값에 대해,
InputSize
는 요소를 4개 가진 벡터[h w d c]
입니다. 여기서h
는 영상 높이이고,w
는 영상 너비이고,d
는 영상 깊이이고,c
는 영상의 채널 개수입니다.
입력 데이터의 최소 시퀀스 길이를 지정하려면 MinLength
속성을 사용하십시오.
데이터형: single
| double
| int8
| int16
| int32
| int64
| uint8
| uint16
| uint32
| uint64
MinLength
— 입력 데이터의 최소 시퀀스 길이
1
(디폴트 값) | 양의 정수
입력 데이터의 최소 시퀀스 길이로, 양의 정수로 지정됩니다. 신경망으로 훈련시키거나 예측할 때, 입력 데이터가 MinLength
시간 스텝보다 적으면 오류가 발생합니다.
시간 차원에서 데이터를 다운샘플링하는 신경망을 만들 때, 신경망에서 훈련 데이터와 예측을 위한 모든 데이터를 지원해야 합니다. 일부 딥러닝 계층은 최소 시퀀스 길이를 갖는 입력이 필요합니다. 예를 들어, 1차원 컨벌루션 계층에는 적어도 필터 크기만큼의 시간 스텝을 갖는 입력값이 필요합니다.
시퀀스 데이터의 시계열이 신경망을 통해 전파됨에 따라 시퀀스 길이가 달라질 수 있습니다. 예를 들어, 1차원 컨벌루션과 같은 다운샘플링 연산은 입력값보다 적은 시간 스텝을 갖는 데이터를 출력할 수 있습니다. 이는 데이터가 계층에 필요한 최소 시퀀스 길이보다 더 짧은 길이를 가지므로 다운샘플링 연산으로 인해 나중에 신경망 계층에 오류가 발생할 수 있음을 의미합니다.
신경망을 훈련시키거나 조합할 때, 길이가 1인 시퀀스가 신경망을 통해 전파될 수 있는지 자동으로 검사됩니다. 일부 신경망은 길이가 1인 시퀀스를 지원하지 않을 수 있지만, 더 긴 길이의 시퀀스는 성공적으로 전파할 수 있습니다. 신경망이 훈련 데이터 및 예상되는 예측 데이터를 전파할 수 있는지 검사하려면 MinLength
속성에 데이터의 최소 길이 및 예측 데이터의 예상되는 최소 길이보다 작거나 같은 값을 설정하십시오.
팁
컨벌루션과 계층 풀링이 데이터의 크기를 변경하지 않도록 하려면 계층의 Padding
옵션을 "same"
또는 "causal"
로 설정하십시오.
데이터형: single
| double
| int8
| int16
| int32
| int64
| uint8
| uint16
| uint32
| uint64
Normalization
— 데이터 정규화
'none'
(디폴트 값) | 'zerocenter'
| 'zscore'
| 'rescale-symmetric'
| 'rescale-zero-one'
| 함수 핸들
데이터가 입력 계층을 통과하여 순방향으로 전파될 때마다 적용할 데이터 정규화로, 다음 중 하나로 지정됩니다.
'zerocenter'
—Mean
으로 지정된 평균값을 뺍니다.'zscore'
—Mean
으로 지정된 평균값을 빼고StandardDeviation
으로 나눕니다.'rescale-symmetric'
—Min
으로 지정된 최솟값과Max
로 지정된 최댓값을 사용하여 입력값이 [-1, 1] 범위 내에 오도록 다시 스케일링합니다.'rescale-zero-one'
—Min
으로 지정된 최솟값과Max
로 지정된 최댓값을 사용하여 입력값이 [0, 1] 범위 내에 오도록 다시 스케일링합니다.'none'
— 입력 데이터를 정규화하지 않습니다.함수 핸들 — 지정된 함수를 사용하여 데이터를 정규화합니다. 함수는
Y = func(X)
형식이 되어야 합니다. 여기서X
는 입력 데이터이고 출력값Y
는 정규화된 데이터입니다.
팁
소프트웨어는 기본적으로 trainnet
함수 및 trainNetwork
함수를 사용할 때 자동으로 정규화 통계량을 계산합니다. 훈련 중에 시간을 절약하려면 정규화에 필요한 통계량을 지정하고 trainingOptions
의 ResetInputNormalization
옵션을 0
(false
)으로 설정하십시오.
소프트웨어는 채우기 값을 포함하여 모든 입력 요소에 정규화를 적용합니다.
데이터형: char
| string
| function_handle
NormalizationDimension
— 정규화 차원
'auto'
(디폴트 값) | 'channel'
| 'element'
| 'all'
정규화 차원으로, 다음 중 하나로 지정됩니다.
'auto'
– 훈련 옵션이false
이고 정규화 통계량 중 하나(Mean
,StandardDeviation
,Min
또는Max
)를 지정한 경우, 통계량과 일치하는 차원에 대해 정규화합니다. 그렇지 않은 경우, 훈련 시점에 통계량을 다시 계산하고 채널별 정규화를 적용합니다.'channel'
– 채널별 정규화.'element'
– 요소별 정규화.'all'
– 스칼라 통계량을 사용하여 모든 값을 정규화합니다.
데이터형: char
| string
Mean
— 중심 0 및 z-점수 정규화에서의 평균값
[]
(디폴트 값) | 숫자형 배열 | 숫자형 스칼라
중심 0 및 z-점수 정규화에서의 평균값으로, 숫자형 배열 또는 빈 값으로 지정됩니다.
Mean
속성을 지정한 경우 Normalization
은 'zerocenter'
또는 'zscore'
여야 합니다. Mean
이 []
인 경우 trainnet
함수 및 trainNetwork
함수는 평균값을 계산하고 채우기 값을 무시합니다. 사용자 지정 훈련 루프를 사용하여 dlnetwork
객체를 훈련시키려면, 또는 assembleNetwork
함수를 사용하여 훈련 없이 신경망을 조합하려면 Mean
속성을 숫자형 스칼라 또는 숫자형 배열로 설정해야 합니다.
데이터형: single
| double
| int8
| int16
| int32
| int64
| uint8
| uint16
| uint32
| uint64
StandardDeviation
— 표준편차
[]
(디폴트 값) | 숫자형 배열 | 숫자형 스칼라
z-점수 정규화에 사용되는 표준편차로, 숫자형 배열, 숫자형 스칼라 또는 빈 값으로 지정됩니다.
벡터 시퀀스 입력값에 대해,
StandardDeviation
은 채널당 표준편차로 구성된InputSize
×1 벡터, 숫자형 스칼라 또는[]
이어야 합니다.2차원 영상 시퀀스 입력값에 대해,
StandardDeviation
은InputSize
와 크기가 같은 숫자형 배열, 채널당 표준편차로 구성된 1×1×InputSize(3)
배열, 숫자형 스칼라 또는[]
이어야 합니다.3차원 영상 시퀀스 입력값에 대해,
StandardDeviation
은InputSize
와 크기가 같은 숫자형 배열, 채널당 표준편차로 구성된 1×1×1×InputSize(4)
배열 또는 숫자형 스칼라여야 합니다.
StandardDeviation
속성을 지정한 경우 Normalization
은 'zscore'
여야 합니다. StandardDeviation
이 []
인 경우 trainnet
함수 및 trainNetwork
함수는 평균값을 계산하고 채우기 값을 무시합니다. 사용자 지정 훈련 루프를 사용하여 dlnetwork
객체를 훈련시키려면, 또는 assembleNetwork
함수를 사용하여 훈련 없이 신경망을 조합하려면 StandardDeviation
속성을 숫자형 스칼라 또는 숫자형 배열로 설정해야 합니다.
데이터형: single
| double
| int8
| int16
| int32
| int64
| uint8
| uint16
| uint32
| uint64
Min
— 다시 스케일링하기 위한 최솟값
[]
(디폴트 값) | 숫자형 배열 | 숫자형 스칼라
다시 스케일링하기 위한 최솟값으로, 숫자형 배열 또는 빈 값으로 지정됩니다.
Min
속성을 지정한 경우 Normalization
은 'rescale-symmetric'
또는 'rescale-zero-one'
이어야 합니다. Min
이 []
인 경우 trainnet
함수 및 trainNetwork
함수는 국소 최솟값을 계산하고 채우기 값을 무시합니다. 사용자 지정 훈련 루프를 사용하여 dlnetwork
객체를 훈련시키려면, 또는 assembleNetwork
함수를 사용하여 훈련 없이 신경망을 조합하려면 Min
속성을 숫자형 스칼라 또는 숫자형 배열로 설정해야 합니다.
데이터형: single
| double
| int8
| int16
| int32
| int64
| uint8
| uint16
| uint32
| uint64
Max
— 다시 스케일링하기 위한 최댓값
[]
(디폴트 값) | 숫자형 배열 | 숫자형 스칼라
다시 스케일링하기 위한 최댓값으로, 숫자형 배열 또는 빈 값으로 지정됩니다.
Max
속성을 지정한 경우 Normalization
은 'rescale-symmetric'
또는 'rescale-zero-one'
이어야 합니다. Max
가 []
인 경우 trainnet
함수 및 trainNetwork
함수는 국소 최댓값을 계산하고 채우기 값을 무시합니다. 사용자 지정 훈련 루프를 사용하여 dlnetwork
객체를 훈련시키려면, 또는 assembleNetwork
함수를 사용하여 훈련 없이 신경망을 조합하려면 Max
속성을 숫자형 스칼라 또는 숫자형 배열로 설정해야 합니다.
데이터형: single
| double
| int8
| int16
| int32
| int64
| uint8
| uint16
| uint32
| uint64
SplitComplexInputs
— 입력 데이터를 실수부와 허수부로 분할하는 플래그
0
(false
) (디폴트 값) | 1
(true
)
읽기 전용 속성입니다.
입력 데이터를 실수부와 허수부로 분할하는 플래그로, 다음 값 중 하나로 지정됩니다.
0
(false
) – 입력 데이터를 분할하지 않습니다.1
(true
) – 데이터를 실수부와 허수부로 분할합니다.
SplitComplexInputs
가 1
인 경우 계층은 입력 데이터보다 두 배 많은 수의 채널을 출력합니다. 예를 들어, 입력 데이터가 numChannels
개의 채널을 갖는 복소수 값이면 계층은 2*numChannels
개의 채널을 갖는 데이터를 출력합니다. 이때 채널 1
부터 numChannels
은 입력 데이터의 실수부를 포함하고 numChannels+1
부터 2*numChannels
은 입력 데이터의 허수부를 포함합니다. 입력 데이터가 실수인 경우 채널 numChannels+1
부터 2*numChannels
이 모두 0입니다.
복소수 값 데이터를 신경망에 입력하려면 입력 계층의 SplitComplexInputs
옵션이 1
이어야 합니다.
복소수 값 데이터를 갖는 신경망을 훈련시키는 방법을 보여주는 예제는 Train Network with Complex-Valued Data 항목을 참조하십시오.
계층
Name
— 계층 이름
""
(디폴트 값) | 문자형 벡터 | string형 스칼라
계층 이름으로, 문자형 벡터 또는 string형 스칼라로 지정됩니다. Layer
배열 입력값에 대해 trainnet
, trainNetwork
, assembleNetwork
, layerGraph
, dlnetwork
함수는 이름이 ""
인 계층에 자동으로 이름을 할당합니다.
SequenceInputLayer
객체는 이 속성을 문자형 벡터로 저장합니다.
데이터형: char
| string
NumInputs
— 입력값의 개수
0 (디폴트 값)
읽기 전용 속성입니다.
계층의 입력값 개수. 이 계층에는 입력값이 없습니다.
데이터형: double
InputNames
— 입력값 이름
{}
(디폴트 값)
읽기 전용 속성입니다.
계층의 입력값 이름. 이 계층에는 입력값이 없습니다.
데이터형: cell
NumOutputs
— 출력값 개수
1
(디폴트 값)
읽기 전용 속성입니다.
계층의 출력값 개수로, 1
로 반환됩니다. 이 계층은 단일 출력값만 가집니다.
데이터형: double
OutputNames
— 출력값 이름
{'out'}
(디폴트 값)
읽기 전용 속성입니다.
출력값 이름으로, {'out'}
으로 반환됩니다. 이 계층은 단일 출력값만 가집니다.
데이터형: cell
예제
시퀀스 입력 계층 만들기
이름이 'seq1'
이고 입력 크기가 12인 시퀀스 입력 계층을 만듭니다.
layer = sequenceInputLayer(12,'Name','seq1')
layer = SequenceInputLayer with properties: Name: 'seq1' InputSize: 12 MinLength: 1 SplitComplexInputs: 0 Hyperparameters Normalization: 'none' NormalizationDimension: 'auto'
Layer
배열에 시퀀스 입력 계층을 포함시킵니다.
inputSize = 12; numHiddenUnits = 100; numClasses = 9; layers = [ ... sequenceInputLayer(inputSize) lstmLayer(numHiddenUnits,'OutputMode','last') fullyConnectedLayer(numClasses) softmaxLayer classificationLayer]
layers = 5x1 Layer array with layers: 1 '' Sequence Input Sequence input with 12 dimensions 2 '' LSTM LSTM with 100 hidden units 3 '' Fully Connected 9 fully connected layer 4 '' Softmax softmax 5 '' Classification Output crossentropyex
영상 시퀀스를 위한 시퀀스 입력 계층 만들기
이름이 'seq1'
이고 224x224 RGB 영상으로 구성된 시퀀스를 위한 시퀀스 입력 계층을 만듭니다.
layer = sequenceInputLayer([224 224 3], 'Name', 'seq1')
layer = SequenceInputLayer with properties: Name: 'seq1' InputSize: [224 224 3] MinLength: 1 SplitComplexInputs: 0 Hyperparameters Normalization: 'none' NormalizationDimension: 'auto'
시퀀스 분류를 위해 신경망 훈련시키기
Sequence-to-label 분류를 위해 딥러닝 LSTM 신경망을 훈련시킵니다.
WaveformData.mat
에서 예제 데이터를 불러옵니다. 이 데이터는 시퀀스로 구성된 numObservations
×1 셀형 배열이며, 여기서 numObservations
는 시퀀스 개수입니다. 각 시퀀스는 numChannels
×-numTimeSteps
숫자형 배열이며, 여기서 numChannels
는 시퀀스의 채널 개수이고 numTimeSteps
는 시퀀스의 시간 스텝 개수입니다.
load WaveformData
시퀀스 중 일부를 플롯으로 시각화합니다.
numChannels = size(data{1},1); idx = [3 4 5 12]; figure tiledlayout(2,2) for i = 1:4 nexttile stackedplot(data{idx(i)}',DisplayLabels="Channel "+string(1:numChannels)) xlabel("Time Step") title("Class: " + string(labels(idx(i)))) end
테스트를 위해 데이터를 남겨 둡니다. 데이터의 90%가 포함된 훈련 세트와 데이터의 나머지 10%가 포함된 테스트 세트로 데이터를 분할합니다. 데이터를 분할하려면 이 예제에 지원 파일로 첨부된 trainingPartitions
함수를 사용합니다. 이 파일에 액세스하려면 이 예제를 라이브 스크립트로 여십시오.
numObservations = numel(data); [idxTrain,idxTest] = trainingPartitions(numObservations, [0.9 0.1]); XTrain = data(idxTrain); TTrain = labels(idxTrain); XTest = data(idxTest); TTest = labels(idxTest);
LSTM 신경망 아키텍처를 정의합니다. 입력 크기를 입력 데이터의 채널 개수로 지정합니다. 은닉 유닛 120개를 포함하고 시퀀스의 마지막 요소를 출력하는 LSTM 계층을 지정합니다. 마지막으로, 출력 크기가 클래스 개수와 일치하는 완전 연결 계층을 포함하고 그 뒤에 소프트맥스 계층과 분류 계층을 포함합니다.
numHiddenUnits = 120; numClasses = numel(categories(TTrain)); layers = [ ... sequenceInputLayer(numChannels) lstmLayer(numHiddenUnits,OutputMode="last") fullyConnectedLayer(numClasses) softmaxLayer classificationLayer]
layers = 5×1 Layer array with layers: 1 '' Sequence Input Sequence input with 3 dimensions 2 '' LSTM LSTM with 120 hidden units 3 '' Fully Connected 4 fully connected layer 4 '' Softmax softmax 5 '' Classification Output crossentropyex
훈련 옵션을 지정합니다. Adam 솔버에 학습률을 0.01로, 기울기 임계값을 1로 설정하여 훈련시킵니다. 최대 Epoch 횟수를 150으로 설정하고 모든 Epoch를 섞습니다. 소프트웨어는 기본적으로 사용 가능한 GPU가 있으면 GPU에서 훈련시킵니다. GPU를 사용하려면 Parallel Computing Toolbox와 지원되는 GPU 장치가 필요합니다. 지원되는 장치에 대한 자세한 내용은 GPU 연산 요구 사항 (Parallel Computing Toolbox) 항목을 참조하십시오.
options = trainingOptions("adam", ... MaxEpochs=150, ... InitialLearnRate=0.01,... Shuffle="every-epoch", ... GradientThreshold=1, ... Verbose=false, ... Plots="training-progress");
지정된 훈련 옵션으로 LSTM 신경망을 훈련시킵니다.
net = trainNetwork(XTrain,TTrain,layers,options);
테스트 데이터를 분류합니다. 훈련에 사용된 것과 동일하게 미니 배치 크기를 지정합니다.
YTest = classify(net,XTest);
예측의 분류 정확도를 계산합니다.
acc = mean(YTest == TTest)
acc = 0.8400
분류 결과를 혼동행렬 차트로 표시합니다.
figure confusionchart(TTest,YTest)
분류 LSTM 신경망
sequence-to-label 분류를 위한 LSTM 신경망을 만들려면 시퀀스 입력 계층, LSTM 계층, 완전 연결 계층, 소프트맥스 계층, 분류 출력 계층을 포함하는 계층 배열을 만듭니다.
시퀀스 입력 계층의 크기를 입력 데이터의 특징 개수로 설정합니다. 완전 연결 계층의 크기를 클래스 개수로 설정합니다. 시퀀스 길이는 지정할 필요가 없습니다.
LSTM 계층의 경우, 은닉 유닛의 개수와 출력 모드 'last'
를 지정합니다.
numFeatures = 12; numHiddenUnits = 100; numClasses = 9; layers = [ ... sequenceInputLayer(numFeatures) lstmLayer(numHiddenUnits,'OutputMode','last') fullyConnectedLayer(numClasses) softmaxLayer classificationLayer];
sequence-to-label 분류를 위한 LSTM 신경망을 훈련시키고 새 데이터를 분류하는 방법을 보여주는 예제는 딥러닝을 사용한 시퀀스 분류 항목을 참조하십시오.
sequence-to-sequence 분류를 위한 LSTM 신경망을 만들려면 sequence-to-label 분류와 동일한 아키텍처를 사용하되 LSTM 계층의 출력 모드를 'sequence'
로 설정합니다.
numFeatures = 12; numHiddenUnits = 100; numClasses = 9; layers = [ ... sequenceInputLayer(numFeatures) lstmLayer(numHiddenUnits,'OutputMode','sequence') fullyConnectedLayer(numClasses) softmaxLayer classificationLayer];
회귀 LSTM 신경망
sequence-to-one 회귀를 위한 LSTM 신경망을 만들려면 시퀀스 입력 계층, LSTM 계층, 완전 연결 계층, 회귀 출력 계층을 포함하는 계층 배열을 만듭니다.
시퀀스 입력 계층의 크기를 입력 데이터의 특징 개수로 설정합니다. 완전 연결 계층의 크기를 응답 변수의 개수로 설정합니다. 시퀀스 길이는 지정할 필요가 없습니다.
LSTM 계층의 경우, 은닉 유닛의 개수와 출력 모드 'last'
를 지정합니다.
numFeatures = 12; numHiddenUnits = 125; numResponses = 1; layers = [ ... sequenceInputLayer(numFeatures) lstmLayer(numHiddenUnits,'OutputMode','last') fullyConnectedLayer(numResponses) regressionLayer];
sequence-to-sequence 회귀를 위한 LSTM 신경망을 만들려면 sequence-to-one 회귀와 동일한 아키텍처를 사용하되 LSTM 계층의 출력 모드를 'sequence'
로 설정합니다.
numFeatures = 12; numHiddenUnits = 125; numResponses = 1; layers = [ ... sequenceInputLayer(numFeatures) lstmLayer(numHiddenUnits,'OutputMode','sequence') fullyConnectedLayer(numResponses) regressionLayer];
sequence-to-sequence 회귀를 위한 LSTM 신경망을 훈련시키고 새 데이터에 대해 예측하는 방법을 보여주는 예제는 딥러닝을 사용한 sequence-to-sequence 회귀 항목을 참조하십시오.
심층 LSTM 신경망
LSTM 계층 앞에 출력 모드가 'sequence'
인 LSTM 계층을 추가로 삽입하여 LSTM 신경망의 심도를 높일 수 있습니다. 과적합을 방지하기 위해 LSTM 계층 뒤에 드롭아웃 계층을 삽입할 수 있습니다.
sequence-to-label 분류 신경망의 경우, 마지막 LSTM 계층의 출력 모드가 'last'
가 되어야 합니다.
numFeatures = 12; numHiddenUnits1 = 125; numHiddenUnits2 = 100; numClasses = 9; layers = [ ... sequenceInputLayer(numFeatures) lstmLayer(numHiddenUnits1,'OutputMode','sequence') dropoutLayer(0.2) lstmLayer(numHiddenUnits2,'OutputMode','last') dropoutLayer(0.2) fullyConnectedLayer(numClasses) softmaxLayer classificationLayer];
sequence-to-sequence 분류 신경망의 경우, 마지막 LSTM 계층의 출력 모드가 'sequence'
가 되어야 합니다.
numFeatures = 12; numHiddenUnits1 = 125; numHiddenUnits2 = 100; numClasses = 9; layers = [ ... sequenceInputLayer(numFeatures) lstmLayer(numHiddenUnits1,'OutputMode','sequence') dropoutLayer(0.2) lstmLayer(numHiddenUnits2,'OutputMode','sequence') dropoutLayer(0.2) fullyConnectedLayer(numClasses) softmaxLayer classificationLayer];
비디오 분류를 위한 신경망 만들기
비디오나 의료 영상 데이터와 같이 영상으로 구성된 시퀀스를 포함하는 데이터를 위한 딥러닝 신경망을 만듭니다.
신경망에 영상으로 구성된 시퀀스를 입력하기 위해 시퀀스 입력 계층을 사용합니다.
각 시간 스텝에 독립적으로 컨벌루션 연산을 적용하기 위해 먼저 시퀀스 접기 계층을 사용하여 영상으로 구성된 시퀀스를 영상으로 구성된 배열로 변환합니다.
이러한 연산을 수행한 후 시퀀스 구조체를 복원하기 위해 시퀀스 펼치기 계층을 사용하여 영상으로 구성된 배열을 다시 영상 시퀀스로 변환합니다.
영상을 특징 벡터로 변환하기 위해 평탄화 계층을 사용합니다.
그런 다음 입력 벡터 시퀀스를 LSTM 계층과 BiLSTM 계층에 입력할 수 있습니다.
신경망 아키텍처 정의하기
28×28 회색조 영상으로 구성된 시퀀스를 10개 클래스로 분류하는 분류 LSTM 신경망을 만듭니다.
다음과 같은 신경망 아키텍처를 정의합니다.
입력 크기가
[28 28 1]
인 시퀀스 입력 계층.5×5 필터 20개를 갖는 컨벌루션, 배치 정규화 및 ReLU 계층 블록.
마지막 시간 스텝만 출력하는 은닉 유닛 200개를 갖는 LSTM 계층.
크기가 10(클래스 개수)인 완전 연결 계층과 그 뒤에 오는 소프트맥스 계층 및 분류 계층.
각 시간 스텝에 대해 컨벌루션 연산을 독립적으로 수행하려면 컨벌루션 계층 앞에 시퀀스 접기 계층을 포함시키십시오. LSTM 계층에는 벡터 시퀀스 입력값이 필요합니다. 시퀀스 구조체를 복원하고 컨벌루션 계층의 출력값 형태를 특징 벡터로 구성된 시퀀스로 변경하려면 컨벌루션 계층과 LSTM 계층 사이에 시퀀스 펼치기 계층과 평탄화 계층을 삽입하십시오.
inputSize = [28 28 1]; filterSize = 5; numFilters = 20; numHiddenUnits = 200; numClasses = 10; layers = [ ... sequenceInputLayer(inputSize,'Name','input') sequenceFoldingLayer('Name','fold') convolution2dLayer(filterSize,numFilters,'Name','conv') batchNormalizationLayer('Name','bn') reluLayer('Name','relu') sequenceUnfoldingLayer('Name','unfold') flattenLayer('Name','flatten') lstmLayer(numHiddenUnits,'OutputMode','last','Name','lstm') fullyConnectedLayer(numClasses, 'Name','fc') softmaxLayer('Name','softmax') classificationLayer('Name','classification')];
계층을 계층 그래프로 변환하고, 시퀀스 접기 계층의 miniBatchSize
출력값을 시퀀스 펼치기 계층의 대응되는 입력값에 연결합니다.
lgraph = layerGraph(layers); lgraph = connectLayers(lgraph,'fold/miniBatchSize','unfold/miniBatchSize');
plot
함수를 사용하여 최종 신경망 아키텍처를 확인합니다.
figure plot(lgraph)
알고리즘
계층 출력 형식
계층 배열 또는 계층 그래프의 계층은 뒤에 오는 계층에 데이터를 전달할 때 형식이 지정된 dlarray
객체로 전달합니다. dlarray
객체의 형식은 문자들로 구성된 문자열로, 각 문자는 데이터의 대응되는 차원을 설명합니다. 형식은 다음 문자 중 하나 이상으로 구성됩니다.
"S"
— 공간"C"
— 채널"B"
— 배치"T"
— 시간"U"
— 지정되지 않음
예를 들어 벡터 시퀀스 데이터를 3차원 배열로 표현할 수 있습니다. 여기서 첫 번째 차원은 채널 차원에, 두 번째 차원은 배치 차원에, 세 번째 차원은 시간 차원에 대응됩니다. 이 표현은 "CBT"
(채널, 배치, 시간) 형식입니다.
신경망의 입력 계층은 신경망에 필요한 데이터의 레이아웃을 지정합니다. 다른 레이아웃의 데이터를 가지고 있다면 InputDataFormats
훈련 옵션을 사용하여 레이아웃을 지정하십시오.
다음 표에서는 시퀀스 입력 계층이 있는 신경망의 예상 데이터 레이아웃을 설명합니다.
데이터 | 레이아웃 |
---|---|
벡터 시퀀스 |
|
1차원 영상 시퀀스 | h×c×t 배열. 여기서 h, c는 각각 영상의 높이, 채널 개수이고 t는 시퀀스 길이입니다. |
2차원 영상 시퀀스 | h×w×c×t 배열. 여기서 h, w, c는 영상의 높이, 너비, 채널 개수이고 t는 시퀀스 길이입니다. |
3차원 영상 시퀀스 | h×w×d×c×t 배열. 여기서 h, w, d, c는 각각 3차원 영상의 높이, 너비, 깊이, 채널 개수이고 t는 시퀀스 길이입니다. |
확장 기능
C/C++ 코드 생성
MATLAB® Coder™를 사용하여 C 코드나 C++ 코드를 생성할 수 있습니다.
벡터 시퀀스 입력값의 경우, 코드 생성 시에 특징의 개수가 상수여야 합니다.
코드 생성 시 입력 데이터에 0개 또는 2개의 공간 차원이 있어야 합니다.
코드 생성 시 함수 핸들을 사용하여 지정된
'Normalization'
은 지원되지 않습니다.코드 생성 시 복소수 입력값은 지원되지 않으며
'SplitComplexInputs'
옵션도 지원되지 않습니다.
GPU 코드 생성
GPU Coder™를 사용하여 NVIDIA® GPU용 CUDA® 코드를 생성할 수 있습니다.
사용법 관련 참고 및 제한 사항:
GPU Coder™를 사용하여 CUDA® 또는 C++ 코드를 생성하려면 먼저 심층 신경망을 생성하고 훈련시켜야 합니다. 신경망이 훈련되고 평가된 후에는 코드를 생성하고 NVIDIA® 또는 ARM® GPU 프로세서를 사용하는 플랫폼에 컨벌루션 신경망을 배포하도록 코드 생성기를 구성할 수 있습니다. 자세한 내용은 Deep Learning with GPU Coder (GPU Coder) 항목을 참조하십시오.
이 계층의 경우 NVIDIA CUDA 심층 신경망 라이브러리(cuDNN) 또는 NVIDIA TensorRT™ 고성능 추론 라이브러리를 사용하는 코드를 생성할 수 있습니다.
cuDNN 라이브러리는 벡터와 2차원 영상 시퀀스를 지원합니다. TensorRT 라이브러리는 벡터 입력 시퀀스만 지원합니다.
벡터 시퀀스 입력값의 경우, 코드 생성 시에 특징의 개수가 상수여야 합니다.
영상 시퀀스 입력값의 경우, 코드 생성 시에 높이, 너비, 채널 개수가 상수여야 합니다.
코드 생성 시 함수 핸들을 사용하여 지정된
'Normalization'
은 지원되지 않습니다.코드 생성 시 복소수 입력값은 지원되지 않으며
'SplitComplexInputs'
옵션도 지원되지 않습니다.
버전 내역
R2017b에 개발됨R2020a: trainNetwork
는 정규화 통계량 계산 시에 채우기 값을 무시함
R2020a부터, trainNetwork
는 정규화 통계량 계산 시에 채우기 값을 무시합니다. 즉, 이제 sequenceInputLayer
의 Normalization
옵션을 사용하면 훈련이 모든 데이터 조작에 대해 불변합니다. 예를 들어, 이제 'zerocenter'
정규화는 훈련 결과가 데이터의 평균에 대해 불변한다는 점을 내포합니다.
채우기가 적용된 시퀀스에서 훈련시킬 경우, 초반 버전의 계산된 정규화 인자들이 다를 수 있으며 서로 다른 결과를 생성할 수 있습니다.
R2019b: sequenceInputLayer
는 기본적으로 0이 중심이 되는 정규화에 채널별 정규화를 사용함
R2019b부터, sequenceInputLayer
는 기본적으로 0이 중심이 되는 정규화에 채널별 정규화를 사용합니다. 이전 버전에서는 이 계층이 요소별 정규화를 사용했습니다. 이 동작을 재현하려면 이 계층의 NormalizationDimension
옵션을 'element'
로 설정하십시오.
MATLAB 명령
다음 MATLAB 명령에 해당하는 링크를 클릭했습니다.
명령을 실행하려면 MATLAB 명령 창에 입력하십시오. 웹 브라우저는 MATLAB 명령을 지원하지 않습니다.
Select a Web Site
Choose a web site to get translated content where available and see local events and offers. Based on your location, we recommend that you select: .
You can also select a web site from the following list:
How to Get Best Site Performance
Select the China site (in Chinese or English) for best site performance. Other MathWorks country sites are not optimized for visits from your location.
Americas
- América Latina (Español)
- Canada (English)
- United States (English)
Europe
- Belgium (English)
- Denmark (English)
- Deutschland (Deutsch)
- España (Español)
- Finland (English)
- France (Français)
- Ireland (English)
- Italia (Italiano)
- Luxembourg (English)
- Netherlands (English)
- Norway (English)
- Österreich (Deutsch)
- Portugal (English)
- Sweden (English)
- Switzerland
- United Kingdom (English)