patternnet

R2026b

(제거될 예정임) 패턴 인식 신경망 생성

patternnet 함수는 향후 릴리스에서 제거될 예정입니다. 자세한 내용은 레거시 신경망 코드를 dlnetwork 워크플로로 전환하기 항목을 참조하십시오.

코드 업데이트에 대한 자세한 지침은 버전 내역 항목을 참조하십시오.

구문

net = patternnet(hiddenSizes,trainFcn,performFcn)

설명

net = patternnet(hiddenSizes,trainFcn,performFcn)은 크기가 hiddenSizes인 은닉 계층, trainFcn으로 지정되는 훈련 함수, performFcn으로 지정되는 성능 함수를 갖는 패턴 인식 신경망을 반환합니다.

패턴 인식 신경망은 목표 클래스에 따라 입력값을 분류하도록 훈련시킬 수 있는 피드포워드 신경망입니다. 패턴 인식 신경망의 목표 데이터는 요소 i에만 1이 있고 나머지는 모두 0인 벡터로 구성되어야 합니다. 여기서 i는 목표 데이터가 나타내는 클래스입니다.

예제

패턴 인식 신경망 생성 및 훈련시키기

이 예제에서는 붓꽃을 분류하는 패턴 인식 신경망을 설계하는 방법을 보여줍니다.

훈련 데이터를 불러옵니다.

[x,t] = iris_dataset;

은닉 계층 크기가 10인 패턴 신경망을 생성합니다.

net = patternnet(10);

훈련 데이터를 사용하여 신경망 net을 훈련시킵니다.

net = train(net,x,t);

훈련된 신경망을 표시합니다.

view(net)

훈련된 신경망을 사용하여 목표값을 추정합니다.

y = net(x);

훈련된 신경망의 성능을 평가합니다. 디폴트 성능 함수는 평균제곱오차입니다.

perf = perform(net,t,y)

perf = 
0.0181

classes = vec2ind(y);

입력 인수

hiddenSizes — 은닉 계층의 크기

10 (디폴트 값) | 행 벡터

신경망의 은닉 계층의 크기로, 행 벡터로 지정됩니다. 벡터의 길이는 신경망의 은닉 계층의 개수를 결정합니다.

예: 예를 들어, 첫 번째 은닉 계층의 크기가 10이고 두 번째 은닉 계층의 크기가 8이고 세 번째 은닉 계층의 크기가 5인, 은닉 계층을 3개 갖는 신경망을 [10,8,5]와 같이 지정할 수 있습니다.

입력 크기와 출력 크기는 0으로 설정됩니다. 입력 크기와 출력 크기는 훈련 데이터에 따라 소프트웨어에 의해 훈련 중에 조정됩니다.

데이터형: single | double

trainFcn — 훈련 함수 이름

'trainscg' (디폴트 값) | 'trainbr' | 'trainbfg' | 'trainrp' | 'trainlm' | ...

훈련 함수 이름으로, 다음 중 하나로 지정됩니다.

훈련 함수	알고리즘
'trainlm'	Levenberg-Marquardt
'trainbr'	베이즈 정규화
'trainbfg'	BFGS 준뉴턴
'trainrp'	탄력적 역전파
'trainscg'	스케일링된 켤레 기울기
'traincgb'	Powell/Beale 재시작 알고리즘을 사용한 켤레 기울기
'traincgf'	Fletcher-Powell 켤레 기울기
'traincgp'	Polak-Ribiére 켤레 기울기
'trainoss'	1스텝 할선법
'traingdx'	가변 학습률 경사하강법
'traingdm'	모멘텀을 사용한 경사하강법
'traingd'	경사하강법

예: 예를 들어, 'traingdx'와 같이 훈련 알고리즘으로 가변 학습률 경사하강법 알고리즘을 지정할 수 있습니다.

데이터형: char

performFcn — 성능 함수

문자형 벡터

성능 함수. 디폴트 값은 'crossentropy'입니다.

이 인수는 신경망의 성능을 측정하는 데 사용할 함수를 정의합니다. 성능 함수는 훈련 중에 신경망 성능을 계산하는 데 사용됩니다.

함수 목록을 보려면 MATLAB 명령 창에 help nnperformance를 입력하십시오.

출력 인수

net — 패턴 인식 신경망

network 객체

패턴 인식 신경망으로, network 객체로 반환됩니다.

버전 내역

R2010b에 개발됨

R2026a: patternnet 함수는 제거될 예정임

patternnet 함수는 향후 릴리스에서 제거될 예정입니다.

테이블 형식 데이터를 사용하여 신경망을 훈련시키려면 다음 함수 중 하나를 사용하십시오.

• fitrnet (Statistics and Machine Learning Toolbox) — 회귀 신경망을 훈련시킵니다. 단순 회귀 작업에 이 함수를 사용하십시오.

• fitcnet (Statistics and Machine Learning Toolbox) — 분류 신경망을 훈련시킵니다. 단순 분류 작업에 이 함수를 사용하십시오.

• trainnet — 신경망을 훈련시킵니다. fitrnet 함수와 fitcnet 함수가 작업에 필요한 훈련 옵션을 제공하지 않는 경우 이 함수를 사용하십시오.

시계열 데이터를 사용하여 신경망을 훈련시키려면 다음 옵션 중 하나를 사용하십시오.

• 시계열 모델러 앱 — 시계열 데이터를 위한 신경망을 대화형 방식으로 설계하고 훈련시킵니다.

• trainnet — 신경망을 훈련시킵니다. 신경망 아키텍처나 훈련 알고리즘에 더 많은 유연성이 필요한 경우 이 함수를 사용하십시오.

이러한 워크플로에 맞게 고유한 신경망을 설계하고 사용자 지정하려면 딥러닝 계층으로 구성된 배열이나 dlnetwork 객체를 사용하여 신경망을 만들면 됩니다. 신경망을 대화형 방식으로 생성 및 편집하고 코드를 생성하려면 심층 신경망 디자이너 앱을 사용하십시오. 신경망 구축 워크플로에 대해 자세히 알아보려면 다음 예제와 항목을 참조하십시오.

• 심층 신경망 디자이너를 사용하여 신경망 구축하기

• 딥러닝 계층 목록

• Example Deep Learning Network Architectures

• 다중 입력 및 다중 출력 신경망

• 사용자 지정 딥러닝 계층 정의하기

dlnetwork 객체의 경우, 패턴 인식 신경망의 은닉 크기를 구성하려면 fullyConnectedLayer 객체의 outputSize 인수를 조정하십시오. 훈련 알고리즘을 지정하려면 trainingOptions 함수의 solverName 인수를 사용하십시오. 훈련을 위한 손실 함수를 지정하려면 trainnet 함수의 lossFcn 인수를 사용하십시오.

자세한 내용은 레거시 신경망 코드를 dlnetwork 워크플로로 전환하기 항목을 참조하십시오.

참고 항목

심층 신경망 디자이너 | fitcnet (Statistics and Machine Learning Toolbox) | trainnet | trainingOptions | dlnetwork | fullyConnectedLayer

도움말 항목

• Training Neural Networks with Tabular Data
• 딥러닝 계층 목록
• 레거시 신경망 코드를 dlnetwork 워크플로로 전환하기