classify

훈련된 딥러닝 신경망을 사용하여 데이터 분류

구문

Y = classify(net,images)

Y = classify(net,sequences)

Y = classify(net,features)

Y = classify(net,X1,...,XN)

Y = classify(net,mixed)

[Y,scores] = classify(___)

___ = classify(___,Name=Value)

설명

CPU 또는 GPU에서 딥러닝을 위해 훈련된 신경망을 사용하여 예측을 수행할 수 있습니다. GPU를 사용하려면 Parallel Computing Toolbox™와 지원되는 GPU 장치가 필요합니다. 지원되는 장치에 대한 자세한 내용은 릴리스별 GPU 지원 (Parallel Computing Toolbox) 항목을 참조하십시오. 하드웨어 요구 사항은 이름-값 인수 ExecutionEnvironment를 사용하여 지정하십시오.

출력값이 여러 개인 신경망의 경우, predict 함수를 대신 사용하고 ReturnCategorical 옵션을 true로 설정하십시오.

Y = classify(net,images)는 훈련된 신경망 net을 사용하여 지정된 영상의 클래스 레이블을 예측합니다.

Y = classify(net,sequences)는 훈련된 신경망 net을 사용하여 지정된 시퀀스의 클래스 레이블을 예측합니다.

Y = classify(net,features)는 훈련된 신경망 net을 사용하여 지정된 특징 데이터의 클래스 레이블을 예측합니다.

Y = classify(net,X1,...,XN)은 다중 입력 신경망 net에 대해 숫자형 배열 또는 셀형 배열 X1, …, XN의 데이터의 클래스 레이블을 예측합니다. 입력값 Xi는 신경망 입력값 net.InputNames(i)에 대응됩니다.

Y = classify(net,mixed)는 혼합된 데이터형의 입력값을 여러 개 갖는 훈련된 신경망 net을 사용하여 클래스 레이블을 예측합니다.

[Y,scores] = classify(___)는 위에 열거된 입력 인수 중 하나를 사용하여 클래스 레이블에 대응되는 분류 점수도 반환합니다.

___ = classify(___,Name=Value)는 하나 이상의 이름-값 인수로 지정된 추가 옵션으로 클래스 레이블을 예측합니다.

팁

서로 길이가 다른 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 각각 MiniBatchSize 옵션과 SequenceLength 옵션을 사용하십시오.

예제

훈련된 컨벌루션 신경망을 사용하여 영상 분류하기

사전 훈련된 신경망 digitsNet을 불러옵니다. 이 신경망은 손으로 쓴 숫자를 분류하는 분류 컨벌루션 신경망입니다.

load digitsNet

신경망 계층을 확인합니다. 신경망의 출력 계층은 분류 계층입니다.

layers = net.Layers

layers = 
  15x1 Layer array with layers:

     1   'imageinput'    Image Input             28x28x1 images with 'zerocenter' normalization
     2   'conv_1'        2-D Convolution         8 3x3x1 convolutions with stride [1  1] and padding 'same'
     3   'batchnorm_1'   Batch Normalization     Batch normalization with 8 channels
     4   'relu_1'        ReLU                    ReLU
     5   'maxpool_1'     2-D Max Pooling         2x2 max pooling with stride [2  2] and padding [0  0  0  0]
     6   'conv_2'        2-D Convolution         16 3x3x8 convolutions with stride [1  1] and padding 'same'
     7   'batchnorm_2'   Batch Normalization     Batch normalization with 16 channels
     8   'relu_2'        ReLU                    ReLU
     9   'maxpool_2'     2-D Max Pooling         2x2 max pooling with stride [2  2] and padding [0  0  0  0]
    10   'conv_3'        2-D Convolution         32 3x3x16 convolutions with stride [1  1] and padding 'same'
    11   'batchnorm_3'   Batch Normalization     Batch normalization with 32 channels
    12   'relu_3'        ReLU                    ReLU
    13   'fc'            Fully Connected         10 fully connected layer
    14   'softmax'       Softmax                 softmax
    15   'classoutput'   Classification Output   crossentropyex with '0' and 9 other classes

테스트 영상을 불러옵니다.

digitDatasetPath = fullfile(toolboxdir("nnet"),"nndemos","nndatasets","DigitDataset");
imdsTest = imageDatastore(digitDatasetPath,IncludeSubfolders=true);

classify 함수를 사용하여 영상을 분류합니다.

YTest = classify(net,imdsTest);

무작위로 테스트 영상 일부를 예측값과 함께 표시합니다.

numImages = 9;
idx = randperm(numel(imdsTest.Files),numImages);

figure
tiledlayout("flow")
for i = 1:numImages
    nexttile
    imshow(imdsTest.Files{idx(i)});
    title("Predicted Label: " + string(YTest(idx(i))))
end

훈련된 LSTM 신경망을 사용하여 시퀀스 분류하기

사전 훈련된 신경망 JapaneseVowelsNet을 불러옵니다. 이 신경망은 [1]과 [2]에서 설명한 Japanese Vowels 데이터 세트에서 사전 훈련된 LSTM 신경망입니다. 이 데이터 세트는 미니 배치 크기 27을 가지며 시퀀스 길이를 기준으로 정렬된 시퀀스에서 훈련되었습니다.

load JapaneseVowelsNet

신경망 아키텍처를 표시합니다.

net.Layers

ans = 
  5x1 Layer array with layers:

     1   'sequenceinput'   Sequence Input          Sequence input with 12 dimensions
     2   'lstm'            LSTM                    LSTM with 100 hidden units
     3   'fc'              Fully Connected         9 fully connected layer
     4   'softmax'         Softmax                 softmax
     5   'classoutput'     Classification Output   crossentropyex with '1' and 8 other classes

테스트 데이터를 불러옵니다.

[XTest,TTest] = japaneseVowelsTestData;

테스트 데이터를 분류합니다.

YTest = classify(net,XTest);

혼동행렬 차트에서 예측값을 확인합니다.

figure
confusionchart(TTest,YTest)

예측의 분류 정확도를 계산합니다.

accuracy = mean(YTest == TTest)

accuracy = 0.8595

훈련된 신경망을 사용하여 특징 데이터 분류하기

사전 훈련된 신경망 TransmissionCasingNet을 불러옵니다. 이 신경망은 숫자형 센서 측정값, 통계 및 categorical형 입력값의 혼합 데이터가 주어지면 변속기 시스템의 기어 톱니 상태를 분류합니다.

load TransmissionCasingNet

신경망 아키텍처를 표시합니다.

net.Layers

ans = 
  7x1 Layer array with layers:

     1   'input'         Feature Input           22 features with 'zscore' normalization
     2   'fc_1'          Fully Connected         50 fully connected layer
     3   'batchnorm'     Batch Normalization     Batch normalization with 50 channels
     4   'relu'          ReLU                    ReLU
     5   'fc_2'          Fully Connected         2 fully connected layer
     6   'softmax'       Softmax                 softmax
     7   'classoutput'   Classification Output   crossentropyex with classes 'No Tooth Fault' and 'Tooth Fault'

CSV 파일 "transmissionCasingData.csv"에서 변속기 케이싱 데이터를 읽어 들입니다.

filename = "transmissionCasingData.csv";
tbl = readtable(filename,TextType="string");

convertvars 함수를 사용하여 예측을 위한 레이블을 categorical형으로 변환합니다.

labelName = "GearToothCondition";
tbl = convertvars(tbl,labelName,"categorical");

categorical형 특징을 사용하여 예측을 수행하려면 먼저 categorical형 특징을 숫자형으로 변환해야 합니다. 먼저 모든 범주형 입력 변수의 이름을 포함하는 string형 배열을 지정하여 convertvars 함수를 사용해서 범주형 예측 변수를 categorical형으로 변환합니다. 이 데이터 세트에는 이름이 "SensorCondition"과 "ShaftCondition"인 범주형 특징이 2개 있습니다.

categoricalInputNames = ["SensorCondition" "ShaftCondition"];
tbl = convertvars(tbl,categoricalInputNames,"categorical");

범주형 입력 변수를 루프를 사용해 순환합니다. 각 변수에 대해 다음을 수행하십시오.

• onehotencode 함수를 사용하여 categorical형 값을 one-hot 형식으로 인코딩된 벡터로 변환합니다.

• addvars 함수를 사용하여 one-hot 벡터를 테이블에 추가합니다. 이때 해당 범주형 데이터의 열 뒤에 벡터를 삽입하도록 지정합니다.

• 범주형 데이터를 포함하는 열을 제거합니다.

for i = 1:numel(categoricalInputNames)
    name = categoricalInputNames(i);
    oh = onehotencode(tbl(:,name));
    tbl = addvars(tbl,oh,After=name);
    tbl(:,name) = [];
end

splitvars 함수를 사용하여 벡터를 개별 열로 분할합니다.

tbl = splitvars(tbl);

테이블의 처음 몇 개 행을 봅니다.

head(tbl)

    SigMean     SigMedian    SigRMS    SigVar     SigPeak    SigPeak2Peak    SigSkewness    SigKurtosis    SigCrestFactor    SigMAD     SigRangeCumSum    SigCorrDimension    SigApproxEntropy    SigLyapExponent    PeakFreq    HighFreqPower    EnvPower    PeakSpecKurtosis    No Sensor Drift    Sensor Drift    No Shaft Wear    Shaft Wear    GearToothCondition
    ________    _________    ______    _______    _______    ____________    ___________    ___________    ______________    _______    ______________    ________________    ________________    _______________    ________    _____________    ________    ________________    _______________    ____________    _____________    __________    __________________

    -0.94876     -0.9722     1.3726    0.98387    0.81571       3.6314        -0.041525       2.2666           2.0514         0.8081        28562              1.1429             0.031581            79.931            0          6.75e-06       3.23e-07         162.13                0                1                1              0           No Tooth Fault  
    -0.97537    -0.98958     1.3937    0.99105    0.81571       3.6314        -0.023777       2.2598           2.0203        0.81017        29418              1.1362             0.037835            70.325            0          5.08e-08       9.16e-08         226.12                0                1                1              0           No Tooth Fault  
      1.0502      1.0267     1.4449    0.98491     2.8157       3.6314         -0.04162       2.2658           1.9487        0.80853        31710              1.1479             0.031565            125.19            0          6.74e-06       2.85e-07         162.13                0                1                0              1           No Tooth Fault  
      1.0227      1.0045     1.4288    0.99553     2.8157       3.6314        -0.016356       2.2483           1.9707        0.81324        30984              1.1472             0.032088             112.5            0          4.99e-06        2.4e-07         162.13                0                1                0              1           No Tooth Fault  
      1.0123      1.0024     1.4202    0.99233     2.8157       3.6314        -0.014701       2.2542           1.9826        0.81156        30661              1.1469              0.03287            108.86            0          3.62e-06       2.28e-07         230.39                0                1                0              1           No Tooth Fault  
      1.0275      1.0102     1.4338     1.0001     2.8157       3.6314         -0.02659       2.2439           1.9638        0.81589        31102              1.0985             0.033427            64.576            0          2.55e-06       1.65e-07         230.39                0                1                0              1           No Tooth Fault  
      1.0464      1.0275     1.4477     1.0011     2.8157       3.6314        -0.042849       2.2455           1.9449        0.81595        31665              1.1417             0.034159            98.838            0          1.73e-06       1.55e-07         230.39                0                1                0              1           No Tooth Fault  
      1.0459      1.0257     1.4402    0.98047     2.8157       3.6314        -0.035405       2.2757            1.955        0.80583        31554              1.1345               0.0353            44.223            0          1.11e-06       1.39e-07         230.39                0                1                0              1           No Tooth Fault  

테이블에서 테스트 레이블을 추출합니다.

TTest = tbl{:,labelName};

훈련된 신경망을 사용하여 테스트 데이터의 레이블을 예측하고 정확도를 계산합니다. 훈련에 사용된 것과 동일하게 미니 배치 크기를 지정합니다.

YTest = classify(net,tbl(:,1:end-1));

예측값을 혼동행렬로 시각화합니다.

figure
confusionchart(TTest,YTest)

분류 정확도를 계산합니다. 정확도는 신경망이 올바르게 예측하는 레이블의 비율입니다.

accuracy = mean(YTest == TTest)

accuracy = 0.9952

입력 인수

net — 훈련된 신경망

SeriesNetwork 객체 | DAGNetwork 객체

훈련된 신경망으로, SeriesNetwork 또는 DAGNetwork 객체로 지정됩니다. 사전 훈련된 신경망을 가져오거나(예: googlenet 함수 사용) trainNetwork를 사용하여 자신만의 고유한 신경망을 훈련시켜 훈련된 신경망을 얻을 수 있습니다.

images — 영상 데이터

데이터저장소 | 숫자형 배열 | 테이블

영상 데이터로, 다음 중 하나로 지정됩니다.

데이터 유형		설명	대표적인 사용법
데이터저장소	ImageDatastore	디스크에 저장된 영상의 데이터저장소	디스크에 저장된 같은 크기의 영상들을 사용하여 예측을 수행합니다. 영상 크기가 서로 다른 경우 AugmentedImageDatastore 객체를 사용하십시오.
	AugmentedImageDatastore	크기 조정, 회전, 반사, 전단, 평행 이동을 비롯한 무작위 아핀 기하 변환을 적용하는 데이터저장소	디스크에 저장된 서로 다른 크기의 영상들을 사용하여 예측을 수행합니다.
	TransformedDatastore	사용자 지정 변환 함수를 사용하여 기본 데이터저장소에서 읽어 들인 데이터 배치를 변환하는 데이터저장소	classify 함수에서 지원하지 않는 출력값을 가진 데이터저장소를 변환합니다. 데이터저장소 출력값에 사용자 지정 변환을 적용합니다.
	CombinedDatastore	둘 이상의 기본 데이터저장소에서 읽어 들인 데이터저장소	여러 개의 입력값을 갖는 신경망을 사용하여 예측을 수행합니다. 서로 다른 데이터 소스의 예측 변수를 결합합니다.
	사용자 지정 미니 배치 데이터저장소	데이터의 미니 배치를 반환하는 사용자 지정 데이터저장소	다른 데이터저장소에서 지원하지 않는 형식의 데이터를 사용하여 예측을 수행합니다. 자세한 내용은 Develop Custom Mini-Batch Datastore 항목을 참조하십시오.
숫자형 배열		숫자형 배열로 지정된 영상	메모리에 맞고 크기 조정과 같은 추가 처리가 필요하지 않은 데이터를 사용하여 예측을 수행합니다.
테이블		테이블로 지정된 영상	테이블에 저장된 데이터를 사용하여 예측을 수행합니다.

여러 개의 입력값을 갖는 신경망에 데이터저장소를 사용하는 경우, 데이터저장소는 TransformedDatastore 객체이거나 CombinedDatastore 객체여야 합니다.

팁

비디오 데이터와 같은 영상 시퀀스의 경우 sequences 입력 인수를 사용하십시오.

데이터저장소

데이터저장소는 영상 및 응답 변수의 미니 배치를 읽어 들입니다. 데이터저장소는 메모리에 맞지 않는 데이터가 있거나 입력 데이터의 크기를 조정하려는 경우에 사용하십시오.

다음 데이터저장소는 영상 데이터에 대해 classify 함수와 직접 호환됩니다.

• ImageDatastore

• AugmentedImageDatastore

• CombinedDatastore

• TransformedDatastore

• 사용자 지정 미니 배치 데이터저장소. 자세한 내용은 Develop Custom Mini-Batch Datastore 항목을 참조하십시오.

ImageDatastore 객체는 프리페치 작업을 사용한 JPG 또는 PNG 영상 파일의 배치 읽기를 허용합니다. 영상 읽기를 위해 사용자 지정 함수를 사용하는 경우 ImageDatastore 객체는 프리페치를 수행하지 않습니다.

팁

딥러닝을 위해 영상을 효율적으로 전처리하려면(영상 크기 조정 포함) augmentedImageDatastore를 사용하십시오.

imageDatastore 함수의 readFcn 옵션은 일반적으로 상당히 느리므로 전처리나 크기 조정을 위해 사용하지 마십시오.

transform 함수와 combine 함수를 사용하여 예측을 수행하기 위해 다른 내장 데이터저장소를 사용할 수 있습니다. 이러한 함수는 데이터저장소에서 읽어 들인 데이터를 classify에 필요한 형식으로 변환할 수 있습니다.

데이터저장소 출력값의 필요한 형식은 신경망 아키텍처에 따라 달라집니다.

신경망 아키텍처	데이터저장소 출력값	출력값의 예
단일 입력값	테이블 또는 셀형 배열로, 여기서 첫 번째 열은 예측 변수를 지정합니다. 테이블 요소는 스칼라 또는 행 벡터이거나 숫자형 배열을 포함하는 1×1 셀형 배열이어야 합니다. 사용자 지정 데이터저장소는 테이블을 출력해야 합니다.	data = read(ds) data = 4×1 table Predictors __________________ {224×224×3 double} {224×224×3 double} {224×224×3 double} {224×224×3 double}
		data = read(ds) data = 4×1 cell array {224×224×3 double} {224×224×3 double} {224×224×3 double} {224×224×3 double}
다중 입력값	열 개수가 numInputs개 이상인 셀형 배열로, 여기서 numInputs는 신경망 입력값의 개수입니다. 처음 numInputs개의 열은 각 입력값에 대한 예측 변수를 지정합니다. 입력값의 순서는 신경망의 InputNames 속성으로 지정됩니다.	data = read(ds) data = 4×2 cell array {224×224×3 double} {128×128×3 double} {224×224×3 double} {128×128×3 double} {224×224×3 double} {128×128×3 double} {224×224×3 double} {128×128×3 double}

예측 변수의 형식은 데이터의 유형에 따라 달라집니다.

데이터	형식
2차원 영상	h×w×c 숫자형 배열로, 여기서 h, w, c는 각각 영상의 높이, 너비, 채널 개수입니다.
3차원 영상	h×w×d×c 숫자형 배열로, 여기서 h, w, d, c는 각각 영상의 높이, 너비, 깊이, 채널 개수입니다.

자세한 내용은 Datastores for Deep Learning 항목을 참조하십시오.

숫자형 배열

메모리에 맞고 증대와 같은 추가 처리가 필요하지 않은 데이터의 경우 영상 데이터 세트를 숫자형 배열로 지정할 수 있습니다.

숫자형 배열의 크기와 형태는 영상 데이터의 유형에 따라 달라집니다.

데이터	형식
2차원 영상	h×w×c×N 숫자형 배열로, 여기서 h, w, c는 각각 영상의 높이, 너비, 채널 개수이고 N은 영상 개수입니다.
3차원 영상	h×w×d×c×N 숫자형 배열로, 여기서 h, w, d, c는 각각 영상의 높이, 너비, 깊이, 채널 개수이고 N은 영상 개수입니다.

테이블

데이터저장소 또는 숫자형 배열의 대안으로 테이블에 영상을 지정할 수도 있습니다.

테이블에 영상을 지정할 때 테이블의 각 행은 관측값 하나에 대응됩니다.

영상 입력의 경우 예측 변수는 다음 중 하나로 지정된 테이블의 첫 번째 열에 있어야 합니다.

• 영상에 대한 상대 또는 절대 파일 경로로, 문자형 벡터로 지정됩니다.

• 2차원 영상을 나타내는 h×w×c 숫자형 배열을 포함하는 1×1 셀형 배열로, 여기서 h, w, c는 각각 영상의 높이, 너비, 채널의 개수입니다.

팁

복소수 값 데이터를 신경망에 입력하려면 입력 계층의 SplitComplexInputs 옵션이 1이어야 합니다.

데이터형: single | double | int8 | int16 | int32 | int64 | uint8 | uint16 | uint32 | uint64 | table
복소수 지원 여부: 예

sequences — 시퀀스 또는 시계열 데이터

데이터저장소 | 숫자형 시퀀스로 구성된 셀형 배열 | 숫자형 배열

시퀀스 또는 시계열 데이터로, 다음 중 하나로 지정됩니다.

데이터 유형		설명	대표적인 사용법
데이터저장소	TransformedDatastore	사용자 지정 변환 함수를 사용하여 기본 데이터저장소에서 읽어 들인 데이터 배치를 변환하는 데이터저장소	classify 함수에서 지원하지 않는 출력값을 가진 데이터저장소를 변환합니다. 데이터저장소 출력값에 사용자 지정 변환을 적용합니다.
	CombinedDatastore	둘 이상의 기본 데이터저장소에서 읽어 들인 데이터저장소	여러 개의 입력값을 갖는 신경망을 사용하여 예측을 수행합니다. 서로 다른 데이터 소스의 예측 변수를 결합합니다.
	사용자 지정 미니 배치 데이터저장소	데이터의 미니 배치를 반환하는 사용자 지정 데이터저장소	다른 데이터저장소에서 지원하지 않는 형식의 데이터를 사용하여 예측을 수행합니다. 자세한 내용은 Develop Custom Mini-Batch Datastore 항목을 참조하십시오.
숫자형 또는 셀형 배열		숫자형 배열로 지정된 단일 시퀀스 또는 숫자형 배열로 구성된 셀형 배열로 지정된 시퀀스 데이터 세트	메모리에 맞고 사용자 지정 변환과 같은 추가 처리가 필요하지 않은 데이터를 사용하여 예측을 수행합니다.

데이터저장소

데이터저장소는 시퀀스 및 응답 변수의 미니 배치를 읽어 들입니다. 메모리에 맞지 않는 데이터가 있거나 데이터에 변환을 적용하려는 경우에 데이터저장소를 사용하십시오.

다음 데이터저장소는 시퀀스 데이터에 대해 classify 함수와 직접 호환됩니다.

• CombinedDatastore

• TransformedDatastore

• 사용자 지정 미니 배치 데이터저장소. 자세한 내용은 Develop Custom Mini-Batch Datastore 항목을 참조하십시오.

transform 함수와 combine 함수를 사용하여 예측을 수행하기 위해 다른 내장 데이터저장소를 사용할 수 있습니다. 이러한 함수는 데이터저장소에서 읽어 들인 데이터를 classify 함수에 필요한 테이블 또는 셀형 배열 형식으로 변환할 수 있습니다. 예를 들어, 각각 ArrayDatastore 객체 및 TabularTextDatastore 객체를 사용하여 메모리 내 배열 및 CSV 파일에서 읽어 들인 데이터를 변환하고 결합할 수 있습니다.

데이터저장소는 데이터를 테이블 또는 셀형 배열로 반환해야 합니다. 사용자 지정 미니 배치 데이터저장소는 테이블을 출력해야 합니다.

데이터저장소 출력값	출력값의 예
테이블	data = read(ds) data = 4×2 table Predictors __________________ {12×50 double} {12×50 double} {12×50 double} {12×50 double}
셀형 배열	data = read(ds) data = 4×2 cell array {12×50 double} {12×50 double} {12×50 double} {12×50 double}

예측 변수의 형식은 데이터의 유형에 따라 달라집니다.

데이터	예측 변수의 형식
벡터 시퀀스	c×s 행렬로, 여기서 c는 시퀀스의 특징 개수이고, s는 시퀀스 길이입니다.
1차원 영상 시퀀스	h×c×s 배열로, 여기서 h, c는 각각 영상의 높이와 채널 개수이고, s는 시퀀스 길이입니다. 미니 배치의 각 시퀀스는 시퀀스 길이가 같아야 합니다.
2차원 영상 시퀀스	h×w×c×s 배열로, 여기서 h, w, c는 각각 영상의 높이, 너비, 채널 개수이고, s는 시퀀스 길이입니다. 미니 배치의 각 시퀀스는 시퀀스 길이가 같아야 합니다.
3차원 영상 시퀀스	h×w×d×c×s 배열로, 여기서 h, w, d, c는 각각 영상의 높이, 너비, 깊이, 채널 개수이고, s는 시퀀스 길이입니다. 미니 배치의 각 시퀀스는 시퀀스 길이가 같아야 합니다.

테이블로 반환되는 예측 변수의 경우, 요소는 숫자형 스칼라 또는 숫자형 행 벡터를 포함하거나 숫자형 배열을 포함하는 1×1 셀형 배열을 포함해야 합니다.

자세한 내용은 Datastores for Deep Learning 항목을 참조하십시오.

숫자형 또는 셀형 배열

메모리에 맞고 사용자 지정 변환과 같은 추가 처리가 필요하지 않은 데이터의 경우 단일 시퀀스를 숫자형 배열로 지정하거나 시퀀스 데이터 세트를 숫자형 배열로 구성된 셀형 배열로 지정할 수 있습니다.

셀형 배열 입력값의 경우 셀형 배열은 숫자형 배열로 구성된 N×1 셀형 배열이어야 합니다. 여기서 N은 관측값의 개수입니다. 시퀀스를 나타내는 숫자형 배열의 크기와 형태는 시퀀스 데이터의 유형에 따라 달라집니다.

입력값	설명
벡터 시퀀스	c×s 행렬로, 여기서 c는 시퀀스의 특징 개수이고 s는 시퀀스 길이입니다.
1차원 영상 시퀀스	h×c×s 배열로, 여기서 h, c는 각각 영상의 높이, 채널 개수이고 s는 시퀀스 길이입니다.
2차원 영상 시퀀스	h×w×c×s 배열로, 여기서 h, w, c는 영상의 높이, 너비, 채널 개수이고 s는 시퀀스 길이입니다.
3차원 영상 시퀀스	h×w×d×c×s 배열로, 여기서 h, w, d, c는 3차원 영상의 높이, 너비, 깊이, 채널 개수이고 s는 시퀀스 길이입니다.

팁

복소수 값 데이터를 신경망에 입력하려면 입력 계층의 SplitComplexInputs 옵션이 1이어야 합니다.

데이터형: single | double | int8 | int16 | int32 | int64 | uint8 | uint16 | uint32 | uint64 | cell
복소수 지원 여부: 예

features — 특징 데이터

데이터저장소 | 숫자형 배열 | 테이블

특징 데이터로, 다음 중 하나로 지정됩니다.

데이터 유형		설명	대표적인 사용법
데이터저장소	TransformedDatastore	사용자 지정 변환 함수를 사용하여 기본 데이터저장소에서 읽어 들인 데이터 배치를 변환하는 데이터저장소	classify 함수에서 지원하지 않는 출력값을 가진 데이터저장소를 변환합니다. 데이터저장소 출력값에 사용자 지정 변환을 적용합니다.
	CombinedDatastore	둘 이상의 기본 데이터저장소에서 읽어 들인 데이터저장소	여러 개의 입력값을 갖는 신경망을 사용하여 예측을 수행합니다. 서로 다른 데이터 소스의 예측 변수를 결합합니다.
	사용자 지정 미니 배치 데이터저장소	데이터의 미니 배치를 반환하는 사용자 지정 데이터저장소	다른 데이터저장소에서 지원하지 않는 형식의 데이터를 사용하여 예측을 수행합니다. 자세한 내용은 Develop Custom Mini-Batch Datastore 항목을 참조하십시오.
테이블		테이블로 지정된 특징 데이터	테이블에 저장된 데이터를 사용하여 예측을 수행합니다.
숫자형 배열		숫자형 배열로 지정된 특징 데이터	메모리에 맞고 사용자 지정 변환과 같은 추가 처리가 필요하지 않은 데이터를 사용하여 예측을 수행합니다.

데이터저장소

데이터저장소는 특징 데이터 및 응답 변수의 미니 배치를 읽어 들입니다. 메모리에 맞지 않는 데이터가 있거나 데이터에 변환을 적용하려는 경우에 데이터저장소를 사용하십시오.

다음 데이터저장소는 특징 데이터에 대해 classify 함수와 직접 호환됩니다.

• CombinedDatastore

• TransformedDatastore

• 사용자 지정 미니 배치 데이터저장소. 자세한 내용은 Develop Custom Mini-Batch Datastore 항목을 참조하십시오.

transform 함수와 combine 함수를 사용하여 예측을 수행하기 위해 다른 내장 데이터저장소를 사용할 수 있습니다. 이러한 함수는 데이터저장소에서 읽어 들인 데이터를 classify 함수에 필요한 테이블 또는 셀형 배열 형식으로 변환할 수 있습니다. 자세한 내용은 Datastores for Deep Learning 항목을 참조하십시오.

여러 개의 입력값을 갖는 신경망의 경우, 데이터저장소는 TransformedDatastore 객체이거나 CombinedDatastore 객체여야 합니다.

데이터저장소는 데이터를 테이블 또는 셀형 배열로 반환해야 합니다. 사용자 지정 미니 배치 데이터저장소는 테이블을 출력해야 합니다. 데이터저장소 출력값의 형식은 신경망 아키텍처에 따라 달라집니다.

신경망 아키텍처	데이터저장소 출력값	출력값의 예
하나의 입력 계층	하나 이상의 열을 가진 테이블 또는 셀형 배열로, 여기서 첫 번째 열은 예측 변수를 지정합니다. 테이블 요소는 스칼라 또는 행 벡터이거나 숫자형 배열을 포함하는 1×1 셀형 배열이어야 합니다. 사용자 지정 미니 배치 데이터저장소는 테이블을 출력해야 합니다.	1개의 입력값을 갖는 신경망에 대한 테이블입니다. data = read(ds) data = 4×2 table Predictors __________________ {24×1 double} {24×1 double} {24×1 double} {24×1 double}
		1개의 입력값을 갖는 신경망에 대한 셀형 배열입니다. data = read(ds) data = 4×1 cell array {24×1 double} {24×1 double} {24×1 double} {24×1 double}
여러 개의 입력 계층	열 개수가 numInputs개 이상인 셀형 배열로, 여기서 numInputs는 신경망 입력값의 개수입니다. 처음 numInputs개의 열은 각 입력값에 대한 예측 변수를 지정합니다. 입력값의 순서는 신경망의 InputNames 속성으로 지정됩니다.	2개의 입력값을 갖는 신경망에 대한 셀형 배열입니다. data = read(ds) data = 4×3 cell array {24×1 double} {28×1 double} {24×1 double} {28×1 double} {24×1 double} {28×1 double} {24×1 double} {28×1 double}

예측 변수는 c×1 열 벡터여야 합니다. 여기서 c는 특징의 개수입니다.

자세한 내용은 Datastores for Deep Learning 항목을 참조하십시오.

테이블

메모리에 맞고 사용자 지정 변환과 같은 추가 처리가 필요하지 않은 특징 데이터의 경우 특징 데이터와 응답 변수를 테이블로 지정할 수 있습니다.

테이블의 각 행은 관측값 하나에 대응됩니다. 테이블 열에서 예측 변수의 배치 방식은 작업 유형에 따라 달라집니다.

작업	예측 변수
특징 분류	하나 이상의 열에 스칼라로 지정된 특징.

숫자형 배열

메모리에 맞고 사용자 지정 변환과 같은 추가 처리가 필요하지 않은 특성 데이터의 경우 특징 데이터를 숫자형 배열로 지정할 수 있습니다.

숫자형 배열은 N×numFeatures 숫자형 배열이어야 합니다. 여기서 N은 관측값의 개수이고, numFeatures는 입력 데이터의 특징의 개수입니다.

팁

복소수 값 데이터를 신경망에 입력하려면 입력 계층의 SplitComplexInputs 옵션이 1이어야 합니다.

데이터형: single | double | int8 | int16 | int32 | int64 | uint8 | uint16 | uint32 | uint64 | table
복소수 지원 여부: 예

X1,...,XN — 여러 개의 입력값을 갖는 신경망에 대한 숫자형 배열 또는 셀형 배열

숫자형 배열 | 셀형 배열

여러 개의 입력값을 갖는 신경망에 대한 숫자형 배열 또는 셀형 배열입니다.

영상, 시퀀스, 특징 예측 변수 입력값에 대해 예측 변수 형식은 각각 images, sequences, features 인수 설명에 기술된 형식과 일치해야 합니다.

여러 개의 입력값을 갖는 신경망을 훈련시키는 방법을 보여주는 예제는 Train Network on Image and Feature Data 항목을 참조하십시오.

복소수 값 데이터를 신경망에 입력하려면 입력 계층의 SplitComplexInputs 옵션이 1이어야 합니다.

데이터형: single | double | int8 | int16 | int32 | int64 | uint8 | uint16 | uint32 | uint64 | cell
복소수 지원 여부: 예

mixed — 혼합된 데이터

TransformedDatastore | CombinedDatastore | 사용자 지정 미니 배치 데이터저장소

혼합된 데이터로, 다음 중 하나로 지정됩니다.

데이터 유형	설명	대표적인 사용법
TransformedDatastore	사용자 지정 변환 함수를 사용하여 기본 데이터저장소에서 읽어 들인 데이터 배치를 변환하는 데이터저장소	여러 개의 입력값을 갖는 신경망을 사용하여 예측을 수행합니다. classify에서 지원하지 않는 데이터저장소의 출력값이 필요한 형식을 갖도록 변환합니다. 데이터저장소 출력값에 사용자 지정 변환을 적용합니다.
CombinedDatastore	둘 이상의 기본 데이터저장소에서 읽어 들인 데이터저장소	여러 개의 입력값을 갖는 신경망을 사용하여 예측을 수행합니다. 서로 다른 데이터 소스의 예측 변수를 결합합니다.
사용자 지정 미니 배치 데이터저장소	데이터의 미니 배치를 반환하는 사용자 지정 데이터저장소	다른 데이터저장소에서 지원하지 않는 형식의 데이터를 사용하여 예측을 수행합니다. 자세한 내용은 Develop Custom Mini-Batch Datastore 항목을 참조하십시오.

transform 함수와 combine 함수를 사용하여 예측을 수행하기 위해 다른 내장 데이터저장소를 사용할 수 있습니다. 이러한 함수는 데이터저장소에서 읽어 들인 데이터를 classify 함수에 필요한 테이블 또는 셀형 배열 형식으로 변환할 수 있습니다. 자세한 내용은 Datastores for Deep Learning 항목을 참조하십시오.

데이터저장소는 데이터를 테이블 또는 셀형 배열로 반환해야 합니다. 사용자 지정 미니 배치 데이터저장소는 테이블을 출력해야 합니다. 데이터저장소 출력값의 형식은 신경망 아키텍처에 따라 달라집니다.

데이터저장소 출력값	출력값의 예
열의 개수가 numInputs인 셀형 배열로, 여기서 numInputs는 신경망 입력값의 개수입니다. 입력값의 순서는 신경망의 InputNames 속성으로 지정됩니다.	data = read(ds) data = 4×3 cell array {24×1 double} {28×1 double} {24×1 double} {28×1 double} {24×1 double} {28×1 double} {24×1 double} {28×1 double}

영상, 시퀀스, 특징 예측 변수 입력값에 대해 예측 변수 형식은 각각 images, sequences, features 인수 설명에 기술된 형식과 일치해야 합니다.

여러 개의 입력값을 갖는 신경망을 훈련시키는 방법을 보여주는 예제는 Train Network on Image and Feature Data 항목을 참조하십시오.

팁

숫자형 배열을 데이터저장소로 변환하려면 arrayDatastore를 사용하십시오.

이름-값 인수

선택적 인수 쌍을 Name1=Value1,...,NameN=ValueN으로 지정합니다. 여기서 Name은 인수 이름이고 Value는 대응값입니다. 이름-값 인수는 다른 인수 뒤에 와야 하지만, 인수 쌍의 순서는 상관없습니다.

R2021a 이전 릴리스에서는 쉼표를 사용하여 각 이름과 값을 구분하고 Name을 따옴표로 묶으십시오.

예: MiniBatchSize=256은 미니 배치 크기를 256으로 지정합니다.

MiniBatchSize — 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.

서로 길이가 다른 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 각각 MiniBatchSize 옵션과 SequenceLength 옵션을 사용하십시오.

데이터형: single | double | int8 | int16 | int32 | int64 | uint8 | uint16 | uint32 | uint64

Acceleration — 성능 최적화

"auto" (디폴트 값) | "mex" | "none"

성능 최적화로, 다음 중 하나로 지정됩니다.

• "auto" — 입력 신경망 및 하드웨어 리소스에 적합한 여러 최적화를 자동으로 적용합니다.

• "mex" — MEX 함수를 컴파일하고 실행합니다. 이 옵션은 GPU를 사용하는 경우에만 사용할 수 있습니다. GPU를 사용하려면 Parallel Computing Toolbox와 지원되는 GPU 장치가 필요합니다. 지원되는 장치에 대한 자세한 내용은 릴리스별 GPU 지원 (Parallel Computing Toolbox) 항목을 참조하십시오. Parallel Computing Toolbox 또는 적당한 GPU를 사용할 수 없는 경우, 오류가 반환됩니다.

• "none" — 모든 가속을 비활성화합니다.

Acceleration이 "auto"인 경우 MATLAB^®은 호환되는 여러 최적화를 적용하고 MEX 함수를 생성하지 않습니다.

"auto"와 "mex" 옵션을 사용하면 초기 실행 시간이 늘어나는 대신 성능이 향상될 수 있습니다. 호환되는 파라미터를 사용한 후속 호출은 더 빨리 실행됩니다. 성능 최적화는 새 입력 데이터를 사용하여 함수를 여러 번 호출해야 하는 경우에 사용하십시오.

"mex" 옵션은 신경망과 함수 호출에서 사용된 파라미터에 따라 MEX 함수를 생성하고 실행합니다. 단일 신경망에 한 번에 여러 개의 MEX 함수가 연결되어 있을 수 있습니다. 신경망 변수를 지우면 해당 신경망에 연결된 모든 MEX 함수도 지워집니다.

"mex" 옵션은 단일 GPU를 사용하는 경우에 사용할 수 있습니다.

"mex" 옵션을 사용하려면 C/C++ 컴파일러가 설치되어 있어야 하며 GPU Coder™ Interface for Deep Learning Libraries 지원 패키지가 필요합니다. MATLAB의 애드온 탐색기를 사용하여 지원 패키지를 설치하십시오. 설정 지침은 MEX Setup (GPU Coder) 항목을 참조하십시오. GPU Coder는 필요하지 않습니다.

"mex" 옵션은 sequenceInputLayer 객체와 featureInputLayer 객체를 제외하고 Supported Layers (GPU Coder) 페이지에 나열된 계층을 포함하는 신경망을 지원합니다.

"mex" 옵션을 사용할 경우 MATLAB Compiler™는 신경망 배포를 지원하지 않습니다.

ExecutionEnvironment — 하드웨어 리소스

"auto" (디폴트 값) | "gpu" | "cpu" | "multi-gpu" | "parallel"

하드웨어 리소스로, 다음 중 하나로 지정됩니다.

• "auto" — GPU를 사용할 수 있으면 GPU를 사용하고 그렇지 않으면 CPU를 사용합니다.

• "gpu" — GPU를 사용합니다. GPU를 사용하려면 Parallel Computing Toolbox와 지원되는 GPU 장치가 필요합니다. 지원되는 장치에 대한 자세한 내용은 릴리스별 GPU 지원 (Parallel Computing Toolbox) 항목을 참조하십시오. Parallel Computing Toolbox 또는 적당한 GPU를 사용할 수 없는 경우, 오류가 반환됩니다.

• "cpu" — CPU를 사용합니다.

• "multi-gpu" — 디폴트 클러스터 프로파일에 따라 로컬 병렬 풀을 사용하여 컴퓨터 1대에서 여러 개의 GPU를 사용합니다. 기존 병렬 풀이 없는 경우 소프트웨어는 사용 가능한 GPU의 개수와 동일한 풀 크기로 병렬 풀을 시작합니다.

• "parallel" — 디폴트 클러스터 프로파일에 따라 로컬 또는 원격 병렬 풀을 사용합니다. 기존 병렬 풀이 없는 경우 소프트웨어는 디폴트 클러스터 프로파일을 사용하여 병렬 풀을 시작합니다. 풀이 GPU를 사용할 수 있는 경우, 고유한 GPU를 갖는 워커만 계산을 수행합니다. 풀에 GPU가 없는 경우, 대신 사용 가능한 모든 CPU 워커에서 계산이 이루어집니다.

서로 다른 실행 환경을 사용해야 하는 경우에 대한 자세한 내용은 Scale Up Deep Learning in Parallel, on GPUs, and in the Cloud 항목을 참조하십시오.

"gpu", "multi-gpu", "parallel" 옵션을 사용하려면 Parallel Computing Toolbox가 필요합니다. 딥러닝을 위해 GPU를 사용하려면 지원되는 GPU 장치도 필요합니다. 지원되는 장치에 대한 자세한 내용은 릴리스별 GPU 지원 (Parallel Computing Toolbox) 항목을 참조하십시오. 이러한 옵션 중 하나를 선택했는데 Parallel Computing Toolbox 또는 적당한 GPU가 없는 경우, 오류가 반환됩니다.

ExecutionEnvironment를 "multi-gpu" 또는 "parallel"로 설정하여 순환 계층이 있는 신경망으로 병렬로 예측을 수행하려면, SequenceLength 옵션은 "shortest" 또는 "longest"여야 합니다.

State 파라미터를 포함하는 사용자 지정 계층이 있는 신경망은 병렬 예측 수행을 지원하지 않습니다.

SequenceLength — 시퀀스를 채우거나 자르는 옵션

"longest" (디폴트 값) | "shortest" | 양의 정수

입력 시퀀스를 채우거나 자르거나 분할하는 옵션으로, 다음 중 하나로 지정됩니다.

• "longest" — 각 미니 배치의 시퀀스 길이가 가장 긴 시퀀스의 길이와 같아지도록 채웁니다. 이 옵션은 채우기로 인해 신경망에 잡음이 포함되더라도 데이터를 버리지 않습니다.

• "shortest" — 각 미니 배치의 시퀀스가 가장 짧은 시퀀스와 길이가 같아지도록 자릅니다. 이 옵션은 데이터를 버리게 되더라도 채우기를 추가하지 않습니다.

• 양의 정수 — 각 미니 배치에 대해, 미니 배치에서 가장 긴 시퀀스의 길이에 맞춰 시퀀스를 채운 다음, 지정된 길이를 갖는 더 작은 크기의 시퀀스로 분할합니다. 분할이 이루어지면 소프트웨어가 미니 배치를 추가로 만듭니다. 데이터의 시퀀스 길이가 지정된 시퀀스 길이로 균등하게 나뉘지 않는 경우, 해당 시퀀스의 끝을 포함하는 미니 배치의 길이는 지정된 시퀀스 길이보다 짧습니다. 전체 시퀀스가 메모리에 맞지 않으면 이 옵션을 사용하십시오. 또는 MiniBatchSize 옵션을 더 낮은 값으로 설정하여 미니 배치당 시퀀스 개수를 줄여 보십시오.

입력 시퀀스 채우기, 자르기, 분할의 효과에 대한 자세한 정보는 시퀀스 채우기, 자르기 및 분할 항목을 참조하십시오.

데이터형: single | double | int8 | int16 | int32 | int64 | uint8 | uint16 | uint32 | uint64 | char | string

SequencePaddingDirection — 채우기 또는 자르기 방향

"right" (디폴트 값) | "left"

채우기 또는 자르기 방향으로, 다음 중 하나로 지정됩니다.

• "right" — 시퀀스들을 오른쪽에서 채우거나 자릅니다. 시퀀스들은 동일한 시간 스텝에서 시작하며 소프트웨어가 시퀀스들의 끝 부분에서 자르기나 채우기를 수행합니다.

• "left" — 시퀀스들을 왼쪽에서 채우거나 자릅니다. 시퀀스들이 동일한 시간 스텝에서 끝나도록 소프트웨어가 시퀀스들의 시작 부분에서 자르기나 채우기를 수행합니다.

순환 계층은 시퀀스 데이터를 한 번에 하나의 시간 스텝씩 처리하기 때문에 순환 계층의 OutputMode 속성이 'last'인 경우 마지막 시간 스텝에서의 채우기가 계층 출력에 부정적인 영향을 줄 수 있습니다. 시퀀스 데이터를 왼쪽에서 채우거나 자르려면 SequencePaddingDirection 옵션을 "left"로 설정하십시오.

sequence-to-sequence 신경망의 경우(각 순환 계층의 OutputMode 속성이 'sequence'인 경우), 첫 시간 스텝들에서의 채우기가 앞쪽에 있는 시간 스텝들의 예측에 부정적인 영향을 줄 수 있습니다. 시퀀스 데이터를 오른쪽에서 채우거나 자르려면 SequencePaddingDirection 옵션을 "right"로 설정하십시오.

입력 시퀀스 채우기, 자르기, 분할의 효과에 대한 자세한 정보는 시퀀스 채우기, 자르기 및 분할 항목을 참조하십시오.

SequencePaddingValue — 시퀀스에 채울 값

0 (디폴트 값) | 스칼라

입력 시퀀스에 채울 값으로, 스칼라로 지정됩니다.

이 옵션은 SequenceLength가 "longest" 또는 양의 정수인 경우에만 유효합니다. 시퀀스를 NaN으로 채우면 신경망 전체로 오류가 전파될 수 있으므로 유의하십시오.

데이터형: single | double | int8 | int16 | int32 | int64 | uint8 | uint16 | uint32 | uint64

출력 인수

Y — 예측 클레스 레이블

categorical형 벡터 | categorical형 벡터로 구성된 셀형 배열

예측 클래스 레이블로, categorical형 벡터 또는 categorical형 벡터로 구성된 셀형 배열로 반환됩니다. Y의 형식은 작업의 유형에 따라 달라집니다.

다음 표에서는 분류 작업의 형식을 설명합니다.

작업	형식
영상 또는 특징 분류	레이블로 구성된 N×1 categorical형 벡터로, 여기서 N은 관측값의 개수입니다.
sequence-to-label 분류
sequence-to-sequence 분류	레이블로 구성된 categorical형 시퀀스의 N×1 셀형 배열로, 여기서 N은 관측값의 개수입니다. 각 시퀀스는 SequenceLength 옵션이 각 미니 배치에 독립적으로 적용된 후 대응하는 입력 시퀀스와 같은 시간 스텝 개수를 갖습니다. 관측값이 1개인 sequence-to-sequence 분류 작업의 경우, sequences는 행렬이 될 수 있습니다. 이 경우 Y는 레이블로 구성된 categorical형 시퀀스입니다.

scores — 예측 클래스 점수

행렬 | 행렬로 구성된 셀형 배열

예측 점수 또는 응답 변수로, 행렬 또는 행렬로 구성된 셀형 배열로 반환됩니다. scores의 형식은 작업의 유형에 따라 달라집니다.

다음 표에서는 scores의 형식을 설명합니다.

작업	형식
영상 분류	N×K 행렬로, 여기서 N은 관측값의 개수이고 K는 클래스의 개수입니다.
sequence-to-label 분류
특징 분류
sequence-to-sequence 분류	행렬로 구성된 N×1 셀형 배열로, 여기서 N은 관측값의 개수입니다. 시퀀스는 K개의 행을 가진 행렬로, 여기서 K는 클래스의 개수입니다. 각 시퀀스는 SequenceLength 옵션이 각 미니 배치에 독립적으로 적용된 후 대응하는 입력 시퀀스와 같은 시간 스텝 개수를 갖습니다.

관측값이 1개인 sequence-to-sequence 분류 작업의 경우, sequences는 행렬이 될 수 있습니다. 이 경우 scores는 예측 클래스 점수로 구성된 행렬입니다.

분류 점수를 살펴보는 예제는 딥러닝을 사용하여 웹캠 영상 분류하기 항목을 참조하십시오.

알고리즘

trainNetwork 함수를 사용하여 신경망을 훈련시키거나 DAGNetwork 객체 및 SeriesNetwork 객체와 함께 예측 함수 또는 검증 함수를 사용할 때 소프트웨어는 단정밀도 부동소수점 연산방식을 사용하여 이러한 계산을 수행합니다. 훈련, 예측 및 검증을 위한 함수는 trainNetwork, predict, classify, activations 등이 있습니다. CPU와 GPU를 모두 사용하여 신경망을 훈련시키는 경우, 단정밀도 연산방식이 사용됩니다.

대안

출력 계층이 여러 개인 신경망을 사용하여 데이터를 분류하려면 predict 함수를 사용하고 ReturnCategorical 옵션을 1(true)로 설정하십시오.

예측된 분류 점수를 계산하기 위해 predict 함수도 사용할 수 있습니다.

신경망 계층에서 활성화 결과를 구하려면 activations 함수를 사용하십시오.

LSTM 신경망과 같은 순환 신경망의 경우 classifyAndUpdateState 및 predictAndUpdateState 함수를 사용하여 예측을 수행하고 신경망 상태를 업데이트할 수 있습니다.

참고 문헌

[1] Kudo, Mineichi, Jun Toyama, and Masaru Shimbo. “Multidimensional Curve Classification Using Passing-through Regions.” Pattern Recognition Letters 20, no. 11–13 (November 1999): 1103–11. https://doi.org/10.1016/S0167-8655(99)00077-X.

[2] UCI Machine Learning Repository: Japanese Vowels Dataset. https://archive.ics.uci.edu/ml/datasets/Japanese+Vowels.

확장 기능

C/C++ 코드 생성

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

사용법 관련 참고 및 제한 사항:

• C++ 코드 생성 시에 다음과 같은 구문이 지원됩니다.

  • [Y,scores] = classify(net,images), 여기서 images는 숫자형 배열입니다.

  • [Y,scores] = classify(net,sequences), 여기서 sequences는 셀형 배열입니다.

  • [Y,scores] = classify(net,features), 여기서 features는 숫자형 배열입니다.

  • [Y,scores] = classify(__,Name=Value)(위에 열거된 구문에 사용할 수 있음)

• 회귀 신경망과 출력값이 여러 개인 신경망에서는 classify 함수에 대한 C++ 코드 생성이 지원되지 않습니다.

• 벡터 시퀀스 입력값의 경우, 코드 생성 시에 특징의 개수가 상수여야 합니다. 시퀀스 길이는 가변 크기일 수 있습니다.

• 영상 시퀀스 입력값의 경우, 코드 생성 시에 높이, 너비, 채널 개수가 상수여야 합니다.

• 코드 생성 시에는 MiniBatchSize, SequenceLength, SequencePaddingDirection 및 SequencePaddingValue 이름-값 쌍 인수만 지원됩니다. 모든 이름-값 쌍은 컴파일타임 상수여야 합니다.

• 코드 생성 시에는 SequenceLength 이름-값 쌍의 "longest" 및 "shortest" 옵션만 지원됩니다.

• GCC C/C++ 컴파일러 버전 8.2 이상을 사용하면 -Wstringop-overflow 경고가 표시될 수 있습니다.

• Intel^® MKL-DNN 타깃에 대한 코드 생성 시 SequenceLength="longest", SequencePaddingDirection="left" 및 SequencePaddingValue=0 이름-값 인수의 조합은 지원되지 않습니다.

GPU 코드 생성

GPU Coder™를 사용하여 NVIDIA® GPU용 CUDA® 코드를 생성할 수 있습니다.

사용법 관련 참고 및 제한 사항:

• GPU 코드 생성 시에 다음과 같은 구문이 지원됩니다.

  • Y = classify(net,images), 여기서 images는 숫자형 배열입니다.

  • Y = classify(net,sequences)로, 여기서 sequences는 셀형 배열 또는 숫자형 배열입니다.

  • Y = classify(net,features), 여기서 features는 숫자형 배열입니다.

  • [Y,scores] = classify(__)(위에 열거된 구문에 사용할 수 있음)

  • [Y,scores] = classify(__,Name=Value)(위에 열거된 구문에 사용할 수 있음)

• 회귀 신경망과 출력값이 여러 개인 신경망에서는 classify 함수에 대한 GPU 코드 생성이 지원되지 않습니다.

• GPU 코드 생성 시 gpuArray 입력값은 classify 함수에서 지원되지 않습니다.

• cuDNN 라이브러리는 벡터와 2차원 영상 시퀀스를 지원합니다. TensorRT 라이브러리는 벡터 입력 시퀀스만 지원합니다. GPU용 ARM^® Compute Library는 순환 신경망을 지원하지 않습니다.

• 벡터 시퀀스 입력값의 경우, 코드 생성 시에 특징의 개수가 상수여야 합니다. 시퀀스 길이는 가변 크기일 수 있습니다.

• 영상 시퀀스 입력값의 경우, 코드 생성 시에 높이, 너비, 채널 개수가 상수여야 합니다.

• 코드 생성 시에는 MiniBatchSize, SequenceLength, SequencePaddingDirection 및 SequencePaddingValue 이름-값 쌍 인수만 지원됩니다. 모든 이름-값 쌍은 컴파일타임 상수여야 합니다.

• 코드 생성 시에는 SequenceLength 이름-값 쌍의 "longest" 및 "shortest" 옵션만 지원됩니다.

• classify 함수에 대한 GPU 코드 생성에서는 반정밀도 부동소수점 데이터형으로 정의된 입력값이 지원됩니다. 자세한 내용은 half (GPU Coder)를 참조하십시오.

• GCC C/C++ 컴파일러 버전 8.2 이상을 사용하면 -Wstringop-overflow 경고가 표시될 수 있습니다.

자동 병렬 지원

Parallel Computing Toolbox™를 사용해 자동 병렬 계산을 실행하여 코드 실행 속도를 높일 수 있습니다.

계산을 병렬로 실행하려면 ExecutionEnvironment 옵션을 "multi-gpu" 또는 "parallel"로 설정하십시오.

자세한 내용은 Scale Up Deep Learning in Parallel, on GPUs, and in the Cloud 항목을 참조하십시오.

GPU 배열

Parallel Computing Toolbox™를 사용해 GPU(그래픽스 처리 장치)에서 실행하여 코드 실행 속도를 높일 수 있습니다.

• 입력 데이터가 다음과 같은 경우 ExecutionEnvironment 옵션은 "auto" 또는 "gpu"여야 합니다.

  • gpuArray

  • gpuArray 객체를 포함하는 셀형 배열

  • gpuArray 객체를 포함하는 테이블

  • gpuArray 객체를 포함하는 셀형 배열을 출력하는 데이터저장소

  • gpuArray 객체를 포함하는 테이블을 출력하는 데이터저장소

자세한 내용은 GPU에서 MATLAB 함수 실행하기 (Parallel Computing Toolbox) 항목을 참조하십시오.

버전 내역

R2016a에 개발됨

R2022b: SequenceLength 옵션을 정수로 지정한 경우, 예측 함수는 시퀀스를 분할하기 전에 가장 긴 시퀀스의 길이에 맞춰 미니 배치를 채움

R2022b부터, predict, classify, predictAndUpdateState, classifyAndUpdateState, activations 함수를 사용하여 시퀀스 데이터로 예측을 수행할 때 SequenceLength 옵션이 정수인 경우, 각 미니 배치에서 가장 긴 시퀀스의 길이에 맞춰 시퀀스들을 채운 다음 이들 시퀀스를 지정된 시퀀스 길이를 갖는 미니 배치로 분할합니다. 미니 배치의 시퀀스 길이가 SequenceLength로 균등하게 나뉘지 않는 경우, 마지막 분할 미니 배치의 길이는 SequenceLength보다 짧습니다. 이 동작은 채우기 값만 포함하는 시간 스텝이 예측에 영향을 미치는 것을 방지합니다.

이전 릴리스에서는, 미니 배치의 길이보다 크거나 같은 SequenceLength의 가장 가까운 배수에 해당하는 길이가 되도록 미니 배치 시퀀스들을 채운 다음 데이터를 분할합니다. 이 동작을 재현하려면 미니 배치의 길이가 SequenceLength의 적절한 배수가 되도록 입력 데이터를 수동으로 채우십시오. sequence-to-sequence 워크플로의 경우 채우기 값에 해당하는 출력의 시간 스텝을 수동으로 제거해야 할 수도 있습니다.

참고 항목

predict | activations | classifyAndUpdateState | predictAndUpdateState

도움말 항목

• GoogLeNet을 사용하여 영상 분류하기
• 딥러닝을 사용하여 웹캠 영상 분류하기

×

예제 열기

이 예제의 수정된 버전이 있습니다. 사용자가 편집한 내용을 반영하여 이 예제를 여시겠습니까?

아니요, 수정된 버전을 덮어씁니다. 예