classifyAndUpdateState
훈련된 순환 신경망을 사용하여 데이터 분류 및 신경망 상태 업데이트
구문
설명
CPU 또는 GPU에서 훈련된 딥러닝 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 ExecutionEnvironment
를 사용하여 지정하십시오.
출력값이 여러 개인 신경망의 경우, predictAndUpdateState
함수를 대신 사용하고 ReturnCategorical
옵션을 true
로 설정하십시오.
[
는 훈련된 순환 신경망 updatedNet
,Y
] = classifyAndUpdateState(recNet
,sequences
)recNet
을 사용하여 sequences
의 데이터를 분류하고 신경망 상태를 업데이트합니다.
이 함수는 순환 신경망만 지원합니다. 입력값 recNet
은 LSTM 계층 같은 순환 계층을 적어도 하나 가지거나 상태 파라미터를 사용하는 사용자 지정 계층을 가져야 합니다.
[
은 다중 입력 신경망 updatedNet
,Y
] = classifyAndUpdateState(recNet
,X1,...,XN
)recNet
에 대해 숫자형 배열 또는 셀형 배열 X1
, …, XN
의 데이터의 클래스 레이블을 예측합니다. 입력값 Xi
는 신경망 입력값 recNet.InputNames(i)
에 대응됩니다.
[
는 혼합된 데이터형의 데이터를 갖는 다중 입력 신경망 updatedNet
,Y
] = classifyAndUpdateState(recNet
,mixed
)recNet
에 대해 클래스 레이블을 예측합니다.
[
는 위에 열거된 구문 중 하나를 사용하여 클래스 레이블에 대응되는 분류 점수도 반환합니다.updatedNet
,Y
,scores
] = classifyAndUpdateState(___)
___ = classifyAndUpdateState(___,
는 위에 열거된 구문 중 하나를 사용하여 하나 이상의 이름-값 인수로 지정된 추가 옵션으로 클래스 레이블을 예측합니다. 예를 들어, Name=Value
)MiniBatchSize=27
은 크기가 27인 미니 배치를 사용하여 데이터를 분류합니다.
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
입력 인수
출력 인수
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.
참고 문헌
[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