이 페이지의 최신 내용은 아직 번역되지 않았습니다. 최신 내용은 영문으로 볼 수 있습니다.
훈련된 딥러닝 신경망을 사용하여 응답 변수 예측
CPU 또는 GPU에서 딥러닝을 위해 훈련된 신경망을 사용하여 예측을 수행할 수 있습니다. GPU를 사용하려면 Parallel
Computing Toolbox™와 CUDA® 지원 NVIDIA® GPU(Compute Capability 3.0 이상)가 필요합니다. 하드웨어 요구 사항은 ExecutionEnvironment
이름-값 쌍 인수를 사용하여 지정하십시오.
[YPred1,...,YPredM] = predict(___)
는 위에 열거된 구문 중 하나를 사용하여 다중 출력값 신경망의 M
개 출력값에 대한 응답 변수를 예측합니다. 출력값 YPredj
는 신경망 출력값 net.OutputNames(j)
에 대응됩니다. 분류 출력 계층에 대한 categorical형 출력값을 반환하려면 'ReturnCategorical'
옵션을 true
로 설정하십시오.
___ = predict(___,
는 하나 이상의 이름-값 쌍 인수로 지정된 추가 옵션을 사용하여 응답 변수를 예측합니다.Name,Value
)
팁
서로 다른 길이를 갖는 시퀀스를 사용하여 예측을 수행할 때는 미니 배치 크기가 입력 데이터에 추가되는 채우기 양에 영향을 주어 서로 다른 예측값이 나올 수 있습니다. 이 경우 여러 값을 사용해 보며 어느 것이 신경망에 가장 적합한지 살펴보십시오. 미니 배치 크기와 채우기 옵션을 지정하려면 'MiniBatchSize'
옵션과 'SequenceLength'
옵션을 사용하십시오.
영상 데이터에 NaN
이 있는 경우, predict
가 이 값을 신경망 전체로 전파합니다. 신경망에 ReLU 계층이 있으면 해당 계층은 NaN
을 무시합니다. 신경망에 ReLU 계층이 없으면 predict
는 NaN을 예측값으로서 반환합니다.
Deep Learning
Toolbox™에 포함된 딥러닝 훈련, 예측 및 검증을 위한 모든 함수는 단정밀도 부동소수점 연산방식을 사용하여 계산을 수행합니다. 딥러닝을 위한 함수에는 trainNetwork
, predict
, classify
, activations
가 있습니다. CPU와 GPU를 모두 사용하여 신경망을 훈련시키는 경우, 단정밀도 연산방식이 사용됩니다.
classify
를 사용하여, 훈련된 신경망에서 예측 점수와 예측 클래스를 계산할 수 있습니다.
activations
를 사용하여 신경망 계층에서의 활성화 결과를 구할 수 있습니다.
sequence-to-label 및 sequence-to-sequence 분류 신경망(LSTM 신경망)의 경우, classifyAndUpdateState
와 predictAndUpdateState
를 사용하여 신경망 상태를 예측하고 업데이트할 수 있습니다.
[1] M. Kudo, J. Toyama, and M. Shimbo. "Multidimensional Curve Classification Using Passing-Through Regions." Pattern Recognition Letters. Vol. 20, No. 11–13, pages 1103–1111.
[2] UCI Machine Learning Repository: Japanese Vowels Dataset. https://archive.ics.uci.edu/ml/datasets/Japanese+Vowels