sim

신경망 시뮬레이션

구문

[Y,Xf,Af] = sim(net,X,Xi,Ai,T) [Y,Xf,Af] = sim(net,{Q TS},Xi,Ai) [Y,...] = sim(net,...,'useParallel',...) [Y,...] = sim(net,...,'useGPU',...) [Y,...] = sim(net,...,'showResources',...) [Ycomposite,...] = sim(net,Xcomposite,...) [Ygpu,...] = sim(net,Xgpu,...)

도움말 보기

help network/sim을 입력합니다.

설명

sim은 신경망을 시뮬레이션합니다.

[Y,Xf,Af] = sim(net,X,Xi,Ai,T)는 다음과 같은 입력값을 받습니다.

`net`	신경망
`X`	신경망 입력값
`Xi`	초기 입력 지연 조건(디폴트 값 = 0)
`Ai`	초기 계층 지연 조건(디폴트 값 = 0)
`T`	신경망 목표값(디폴트 값 = 0)

그런 후 다음을 반환합니다.

`Y`	신경망 출력값
`Xf`	마지막 입력 지연 조건
`Af`	마지막 계층 지연 조건

sim은 보통 신경망을 함수로서 호출함으로써 묵시적으로 호출됩니다. 예를 들어, 다음 두 표현식은 모두 동일한 결과를 반환합니다.

y = sim(net,x,xi,ai)
y = net(x,xi,ai)

여기서 인수 Xi, Ai, Xf, Af는 선택 사항으로, 입력 또는 계층 지연이 있는 신경망에서만 사용해야 됩니다.

신호 인수의 형식은 셀형 배열이나 행렬의 형식을 가질 수 있습니다.

셀형 배열 형식이 표현하기 가장 쉬운 형식입니다. 입력값과 출력값이 여러 개인 신경망에서 사용하기에 가장 편리하며, 입력값의 시퀀스를 다음과 같이 표현할 수 있습니다.

`X`	`Ni`×`TS` 셀형 배열	각각의 `X{i,ts}` 요소는 `Ri`×`Q` 행렬입니다.
`Xi`	`Ni`×`ID` 셀형 배열	각각의 `Xi{i,k}` 요소는 `Ri`×`Q` 행렬입니다.
`Ai`	`Nl`×`LD` 셀형 배열	각각의 `Ai{i,k}` 요소는 `Si`×`Q` 행렬입니다.
`T`	`No`×`TS` 셀형 배열	각각의 `X{i,ts}` 요소는 `Ui`×`Q` 행렬입니다.
`Y`	`No`×`TS` 셀형 배열	각각의 `Y{i,ts}` 요소는 `Ui`×`Q` 행렬입니다.
`Xf`	`Ni`×`ID` 셀형 배열	각각의 `Xf{i,k}` 요소는 `Ri`×`Q` 행렬입니다.
`Af`	`Nl`×`LD` 셀형 배열	각각의 `Af{i,k}` 요소는 `Si`×`Q` 행렬입니다.

여기서

`Ni`	=	`net.numInputs`
`Nl`	=	`net.numLayers`
`No`	=	`net.numOutputs`
`ID`	=	`net.numInputDelays`
`LD`	=	`net.numLayerDelays`
`TS`	=	시간 스텝의 개수
`Q`	=	배치 크기
`Ri`	=	`net.inputs{i}.size`
`Si`	=	`net.layers{i}.size`
`Ui`	=	`net.outputs{i}.size`

Xi, Ai, Xf, Af의 열은 가장 오래된 지연 조건부터 가장 최근까지의 순서로 정렬됩니다.

`Xi{i,k}`	=	시간 `ts = k - ID`에서의 입력값 `i`
`Xf{i,k}`	=	시간 `ts = TS + k - ID`에서의 입력값 `i`
`Ai{i,k}`	=	시간 `ts = k - LD`에서의 계층 출력값 `i`
`Af{i,k}`	=	시간 `ts = TS + k - LD`에서의 계층 출력값 `i`

행렬 형식은 하나의 시간 스텝만 시뮬레이션하는 경우에((TS = 1)) 사용할 수 있습니다. 입력값과 출력값이 하나만 있는 신경망에서 사용하기에 편리하지만, 더 많은 신경망에서도 사용 가능합니다.

각 행렬 인수는 대응되는 셀형 배열 인수의 요소를 하나의 행렬에 저장하여 찾습니다.

`X`	`(sum of Ri)`×`Q` 행렬
`Xi`	`(sum of Ri)`×`(ID*Q)` 행렬
`Ai`	`(sum of Si)`×`(LD*Q)` 행렬
`T`	`(sum of Ui)`×`Q` 행렬
`Y`	`(sum of Ui)`×`Q` 행렬
`Xf`	`(sum of Ri)`×`(ID*Q)` 행렬
`Af`	`(sum of Si)`×`(LD*Q)` 행렬

셀형 배열 표기법이 사용된 경우, [Y,Xf,Af] = sim(net,{Q TS},Xi,Ai)는 입력값이 없는 신경망에 사용됩니다.

[Y,...] = sim(net,...,'useParallel',...), [Y,...] = sim(net,...,'useGPU',...) 또는 [Y,...] = sim(net,...,'showResources',...)(또는 함수로서 호출되는 신경망)는 선택적 이름-값 쌍 인수를 받아서 계산이 수행되는 방식을 제어합니다. 이러한 옵션 중 2개는 Parallel Computing Toolbox가 있는 경우 병렬 워커나 GPU 장치를 사용하여 훈련 속도를 높이거나 규모가 큰 데이터셋에 대해 훈련을 할 수 있습니다. 선택적 이름-값 쌍은 다음과 같습니다.

`'useParallel','no'`	계산이 일반 MATLAB 스레드에서 이루어집니다. 디폴트 `'useParallel'` 설정입니다.
`'useParallel','yes'`	병렬 풀이 열려 있으면 계산이 병렬 워커에서 이루어집니다. 열려 있지 않으면 일반 MATLAB 스레드에서 계산이 이루어집니다.
`'useGPU','no'`	계산이 CPU에서 이루어집니다. 디폴트 'useGPU' 설정입니다.
`'useGPU','yes'`	현재 gpuDevice가 지원되는 GPU이면 계산이 이 GPU 장치에서 이루어집니다(GPU 요구 사항은 Parallel Computing Toolbox를 참조하십시오). 현재 gpuDevice가 지원되지 않으면 계산이 CPU에서 이루어집니다. `'useParallel'`도 `'yes'`이고 병렬 풀이 열려 있으면, 고유한 GPU를 갖는 각 워커는 해당 GPU를 사용하고 나머지 워커는 각각의 CPU 코어에서 계산을 실행합니다.
`'useGPU','only'`	열려 있는 병렬 풀이 없으면 이 설정은 `'yes'`와 같습니다. 병렬 풀이 열려 있으면 고유한 GPU를 갖는 워커만 사용됩니다. 그러나 병렬 풀이 열려 있는데 지원되는 GPU가 없으면 모든 워커 CPU에서 계산이 이루어집니다.
`'showResources','no'`	사용되는 연산 리소스를 명령줄에 표시하지 않습니다. 디폴트 설정입니다.
`'showResources','yes'`	실제 사용되는 연산 리소스의 요약을 명령줄에 표시합니다. 병렬 연산 또는 GPU 연산이 요청됐는데 병렬 풀이 열려 있지 않거나 지원되는 GPU가 없는 경우, 요청된 리소스와 실제 리소스가 다를 수 있습니다. 병렬 워커가 사용되는 경우, 각 워커의 계산 모드가 설명됩니다(풀에 있으나 사용되지 않는 워커 포함).

[Ycomposite,...] = sim(net,Xcomposite,...)는 Composite형 데이터를 받아서 Composite형 결과를 반환합니다. Composite형 데이터가 사용되는 경우, 'useParallel'이 자동으로 'yes'로 설정됩니다.

[Ygpu,...] = sim(net,Xgpu,...)는 gpuArray 데이터를 받아서 gpuArray 결과를 반환합니다. gpuArray 데이터가 사용되는 경우, 'useGPU'가 자동으로 'yes'로 설정됩니다.

예제

아래 예제에서는 neural network 객체(net)를 함수로서 호출함으로써 sim 함수가 묵시적으로 호출됩니다.

피드포워드 신경망 시뮬레이션하기

이 예제에서는 해부학적 측정값 x를 체지방 비율 t에 매핑하는 데이터셋을 불러옵니다. 10개의 뉴런을 갖는 피드포워드 신경망을 만들어서 이 데이터에 대해 훈련시키고 시뮬레이션합니다.

[x,t] =  bodyfat_dataset;  
net = feedforwardnet(10);
net = train(net,x,t);

Figure Neural Network Training (25-Jan-2024 15:32:35) contains an object of type uigridlayout.

y = net(x);

NARX 시계열 신경망 시뮬레이션하기

이 예제에서는 외부 입력값으로 개루프 비선형 자기회귀 신경망을 훈련시켜 제어 전류 x와 자석의 수직 위치 반응 t로 정의되는 자기 부상 시스템을 모델링하고 신경망을 시뮬레이션합니다. 함수 preparets는 훈련 및 시뮬레이션 전에 데이터를 준비합니다. 이 함수는 외부 입력값 x와 이전 위치 값 t를 모두 포함하는, 개루프 신경망의 결합된 입력값 xo를 만듭니다. 지연 상태 xi도 준비합니다.

[x,t] = maglev_dataset;
net = narxnet(10);
[xo,xi,~,to] = preparets(net,x,{},t);
net = train(net,xo,to,xi);
y = net(xo,xi)

이 동일한 시스템을 폐루프 형태로 시뮬레이션할 수도 있습니다.

netc = closeloop(net);
view(netc)
[xc,xi,ai,tc] = preparets(netc,x,{},t);
yc = netc(xc,xi,ai);

병렬 풀에서 병렬로 시뮬레이션하기

Parallel Computing Toolbox를 사용하면 훈련 속도를 높이고 PC 1대에 담을 수 있는 것보다도 큰 데이터셋에 대한 훈련을 할 수 있습니다. 아래에서는 여러 병렬 MATLAB 워커에서 훈련과 시뮬레이션이 이루어집니다.

parpool
[X,T] = vinyl_dataset;
net = feedforwardnet(10);
net = train(net,X,T,'useParallel','yes','showResources','yes');
Y = net(X,'useParallel','yes');

GPU에서 시뮬레이션하기

Composite형 값을 사용하여 데이터를 수동으로 분산하고 결과를 Composite형 값으로 얻습니다. 데이터를 불러옴과 동시에 데이터를 분산하는 경우, 각 데이터셋 조각은 RAM에 담을 수 있어야 하지만 전체 데이터셋은 모든 워커의 RAM의 총합으로만 제한됩니다.

Xc = Composite;
for i=1:numel(Xc)
    Xc{i} = X+rand(size(X))*0.1;  % Use real data instead of random
end
Yc = net(Xc,'showResources','yes');

현재 GPU 장치를 Parallel Computing Toolbox에서 지원하는 경우, 이 GPU 장치를 사용하여 신경망을 시뮬레이션할 수 있습니다.

gpuDevice % Check if there is a supported GPU
Y = net(X,'useGPU','yes','showResources','yes');

데이터를 수동으로 GPU에 올리고 GPU에서 결과를 얻으려면 다음을 수행하십시오.

Xgpu = gpuArray(X);
Ygpu = net(Xgpu,'showResources','yes');
Y = gather(Ygpu);

고유한 GPU와 연결된 워커는 GPU를 사용하고 나머지 워커는 CPU를 사용하도록 하면서 병렬로 실행하려면 다음을 수행하십시오.

Y = net(X,'useParallel','yes','useGPU','yes','showResources','yes');

CPU 워커는 속도가 빠르지 않을 수 있으므로 고유한 GPU를 갖는 워커만 사용하면 속도가 빨라질 수 있습니다.

Y = net(X,'useParallel','yes','useGPU','only','showResources','yes');

알고리즘

sim은 다음과 같은 속성을 사용하여 신경망 net을 시뮬레이션합니다.

net.numInputs, net.numLayers
net.outputConnect, net.biasConnect
net.inputConnect, net.layerConnect

다음과 같은 속성은 신경망의 가중치와 편향 값과 각 가중치와 연결된 지연의 개수를 결정합니다.

net.IW{i,j}
net.LW{i,j}
net.b{i}
net.inputWeights{i,j}.delays
net.layerWeights{i,j}.delays

다음 함수 속성은 sim이 입력값에 가중치와 편향 값을 적용하여 각 계층의 출력값을 얻는 방법을 나타냅니다.

net.inputWeights{i,j}.weightFcn
net.layerWeights{i,j}.weightFcn
net.layers{i}.netInputFcn
net.layers{i}.transferFcn

버전 내역

R2006a 이전에 개발됨

참고 항목

init | adapt | train | revert