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

Predict

훈련된 딥러닝 신경망을 사용하여 응답 변수 예측

R2020b 이후

• 

×

라이브러리:
Deep Learning Toolbox / Deep Neural Networks

설명

Predict 블록은 블록 파라미터를 통해 지정된 훈련된 신경망을 사용하여 입력값에 대한 데이터의 응답 변수를 예측합니다. 이 블록을 사용하면 MAT 파일 또는 MATLAB^® 함수에서 사전 훈련된 신경망을 Simulink^® 모델에 불러올 수 있습니다.

참고

Predict 블록을 사용하여 Simulink에서 예측을 수행합니다. MATLAB 코드를 사용하여 프로그래밍 방식으로 예측을 수행하려면 classify 함수와 predict 함수를 사용하십시오.

예제

Lane and Vehicle Detection in Simulink Using Deep Learning

Use deep convolutional neural networks inside a Simulink® model to perform lane and vehicle detection. This example takes the frames from a traffic video as an input, outputs two lane boundaries that correspond to the left and right lanes of the ego vehicle, and detects vehicles in the frame.

스크립트 열기

포트

입력

input — 영상, 특징, 시퀀스 또는 시계열 데이터

숫자형 배열

Predict 블록의 입력 포트는 불러온 신경망의 입력 계층 이름을 받습니다. 예를 들어, MATLAB function에 googlenet을 지정하면 Predict 블록의 입력 포트에 data라는 레이블이 지정됩니다. 불러온 신경망에 따라 Predict 블록에 대한 입력값은 영상, 시퀀스 또는 시계열 데이터일 수 있습니다.

입력값의 형식은 데이터의 유형에 따라 달라집니다.

데이터	예측 변수의 형식
2차원 영상	h×w×c×N 숫자형 배열로, 여기서 h, w, c는 각각 영상의 높이, 너비, 채널 개수이고 N은 영상 개수입니다.
벡터 시퀀스	c×s 행렬. 여기서 c는 시퀀스의 특징 개수이고 s는 시퀀스 길이입니다.
2차원 영상 시퀀스	h×w×c×s 배열. 여기서 h, w, c는 영상의 높이, 너비, 채널 개수이고 s는 시퀀스 길이입니다.
특징	N×numFeatures 숫자형 배열로, 여기서 N은 관측값의 개수이고, numFeatures는 입력 데이터의 특징의 개수입니다.

배열에 NaN이 포함되어 있는 경우, 이 값이 신경망 끝까지 전파됩니다.

출력

output — 예측 점수, 응답 변수 또는 활성화

숫자형 배열

Predict 블록의 출력 포트는 불러온 신경망의 출력 계층 이름을 받습니다. 예를 들어, MATLAB function에 googlenet을 지정하면 Predict 블록의 출력 포트에 output이라는 레이블이 지정됩니다. 불러온 신경망에 따라 Predict 블록의 출력값은 예측 점수 또는 응답 변수를 나타낼 수 있습니다.

예측 점수 또는 응답 변수로, N×K 배열로 반환됩니다. 여기서 N은 관측값의 개수이고 K는 클래스의 개수입니다.

신경망 계층에 대해 Activations를 활성화하면 Predict 블록이 선택된 신경망 계층의 이름으로 새 출력 포트를 생성합니다. 이 포트는 선택된 신경망 계층의 활성화 결과를 출력합니다.

신경망 계층의 활성화 결과는 숫자형 배열로 반환됩니다. 출력 형식은 입력 데이터의 유형과 계층 출력값의 유형에 따라 달라집니다.

2차원 영상 출력값에 대해, 활성화 결과는 h×w×c×n 배열입니다. 여기서 h, w, c는 선택한 계층 출력값의 높이, 너비, 채널 개수이고, n은 영상 개수입니다.

벡터 데이터를 포함하는 단일 시간 스텝에 대해, 활성화 결과는 c×n 행렬입니다. 여기서 n은 시퀀스의 개수이고 c는 시퀀스에 있는 특징의 개수입니다.

2차원 영상 데이터를 포함하는 단일 시간 스텝에 대해, 활성화 결과는 h×w×c×n 배열입니다. 여기서 n은 시퀀스 개수이고, h, w, c는 각각 영상의 높이, 너비, 채널 개수입니다.

파라미터

신경망 — 훈련된 신경망의 출처

MAT 파일에서 가져온 신경망 (디폴트 값) | MATLAB 함수에서 가져온 신경망

훈련된 신경망의 출처를 지정합니다. 다음 중 하나를 선택합니다.

• MAT 파일에서 가져온 신경망 — SeriesNetwork 객체, DAGNetwork 객체 또는 dlnetwork 객체를 포함하는 MAT 파일에서 훈련된 신경망을 가져옵니다.

• MATLAB 함수에서 가져온 신경망 — MATLAB 함수에서 사전 훈련된 신경망을 가져옵니다. 예를 들어, googlenet 함수를 사용합니다.

프로그래밍 방식 사용

블록 파라미터: Network

유형: 문자형 벡터, string형

값: 'Network from MAT-file' | 'Network from MATLAB function'

디폴트 값: 'Network from MAT-file'

파일 경로 — 훈련된 신경망을 포함하는 MAT 파일

untitled.mat (디폴트 값) | MAT 파일 경로 또는 이름

이 파라미터는 불러올 훈련된 딥러닝 신경망을 포함하는 MAT 파일의 이름을 지정합니다. 파일이 MATLAB 경로에 있지 않으면 찾아보기 버튼을 사용하여 파일을 찾습니다.

종속 관계

이 파라미터를 활성화하려면 신경망 파라미터를 MAT 파일에서 가져온 신경망으로 설정하십시오.

프로그래밍 방식 사용

블록 파라미터: NetworkFilePath

유형: 문자형 벡터, string형

값: MAT 파일 경로 또는 이름

디폴트 값: 'untitled.mat'

MATLAB 함수 — MATLAB 함수 이름

squeezenet (디폴트 값) | MATLAB 함수 이름

이 파라미터는 사전 훈련된 딥러닝 신경망의 MATLAB 함수 이름을 지정합니다. 예를 들어, googlenet 함수를 사용하여 사전 훈련된 GoogLeNet 모델을 가져옵니다.

종속 관계

이 파라미터를 활성화하려면 신경망 파라미터를 MATLAB 함수에서 가져온 신경망으로 설정하십시오.

프로그래밍 방식 사용

블록 파라미터: NetworkFunction

유형: 문자형 벡터, string형

값: MATLAB 함수 이름

디폴트 값: 'squeezenet'

미니 배치 크기 — 미니 배치의 크기

128 (디폴트 값) | 양의 정수

예측에 사용할 미니 배치의 크기로, 양의 정수로 지정됩니다. 미니 배치가 클수록 메모리가 더 많이 필요하지만 예측 속도는 빨라질 수 있습니다.

프로그래밍 방식 사용

블록 파라미터: MiniBatchSize

유형: 문자형 벡터, string형

값: 양의 정수

디폴트 값: '128'

예측 — 예측 점수 또는 응답 변수 출력

on (디폴트 값) | off

예측 점수 또는 응답 변수를 반환하는 출력 포트를 활성화합니다.

프로그래밍 방식 사용

블록 파라미터: Predictions

유형: 문자형 벡터, string형

값: 'off' | 'on'

디폴트 값: 'on'

활성화 — 특정 계층의 신경망 활성화 결과 출력

신경망의 계층

활성화 목록을 사용하여 특징을 추출할 계층을 선택합니다. 선택한 계층이 Predict 블록의 출력 포트로 표시됩니다.

프로그래밍 방식 사용

블록 파라미터: Activations

유형: 문자형 벡터, string형

값: '{'layerName1',layerName2',...}' 형식의 문자형 벡터

디폴트 값: ''

확장 기능

C/C++ 코드 생성

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

사용법 관련 참고 및 제한 사항:

• 타사 라이브러리를 사용하지 않는 일반 C 코드를 생성하려면 구성 파라미터 > 코드 생성 일반 범주에서 언어 파라미터를 C로 설정하십시오.

• C++ 코드를 생성하려면 구성 파라미터 > 코드 생성 일반 범주에서 언어 파라미터를 C++로 설정하십시오. 코드 생성을 위한 타깃 라이브러리를 지정하려면 코드 생성 > 인터페이스 범주에서 타깃 라이브러리 파라미터를 설정하십시오. 이 파라미터를 없음으로 설정하면 타사 라이브러리를 사용하지 않는 일반 C++ 코드를 생성합니다.

• ERT 기반 타깃의 경우 코드 생성 > 인터페이스 창의 가변 크기 신호 지원 파라미터가 활성화되어야 합니다.

• 코드 생성을 지원하는 신경망과 계층 목록은 Networks and Layers Supported 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:

• 구성 파라미터 > 코드 생성 일반 범주의 언어 파라미터는 C++로 설정해야 합니다.

• CUDA^® 코드 생성을 지원하는 신경망과 계층 목록은 Supported Networks, Layers, and Classes (GPU Coder) 항목을 참조하십시오.

• Predict 블록을 포함하는 Simulink 모델의 코드 생성에 대한 자세한 내용은 Code Generation for a Deep Learning Simulink Model That Performs Lane and Vehicle Detection (GPU Coder) 항목을 참조하십시오.

버전 내역

R2020b에 개발됨

참고 항목

Image Classifier | Stateful Classify | Stateful Predict