딥러닝 계층 목록 - MATLAB & Simulink

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

딥러닝 계층 목록

이 페이지에는 MATLAB^®에서 제공하는 딥러닝 계층의 목록이 정리되어 있습니다.

다양한 작업을 위해 계층에서 신경망을 만드는 방법을 알아보려면 다음 예제를 참조하십시오.

작업	자세히 알아보기
영상 분류 또는 회귀를 위한 딥러닝 신경망 만들기.	분류를 수행하는 간단한 딥러닝 신경망 만들기 회귀를 위해 컨벌루션 신경망 훈련시키기 영상 분류를 위해 잔차 신경망 훈련시키기
시퀀스 및 시계열 데이터를 위한 딥러닝 신경망 만들기.	딥러닝을 사용한 시퀀스 분류 딥러닝을 사용한 시계열 전망
오디오 데이터를 위한 딥러닝 신경망 만들기.	딥러닝을 사용해 음성 명령 인식 모델 훈련시키기
텍스트 데이터를 위한 딥러닝 신경망 만들기.	딥러닝을 사용하여 텍스트 데이터 분류하기 딥러닝을 사용하여 텍스트 생성하기

딥러닝 계층

다음 함수를 사용하여 다양한 계층 유형을 만들 수 있습니다. 또는 심층 신경망 디자이너 앱을 사용하여 대화형 방식으로 신경망을 만들 수 있습니다.

사용자 지정 계층을 정의하는 방법은 사용자 지정 딥러닝 계층 정의하기 항목을 참조하십시오.

입력 계층

아이콘	계층	설명
	`imageInputLayer`	영상 입력 계층은 신경망에 2차원 영상을 입력하고 데이터 정규화를 적용합니다.
	`image3dInputLayer`	3차원 영상 입력 계층은 신경망에 3차원 영상 또는 3차원 볼륨을 입력하고 데이터 정규화를 적용합니다.
	`sequenceInputLayer`	시퀀스 입력 계층은 신경망에 시퀀스 데이터를 입력하고 데이터 정규화를 적용합니다.
	`featureInputLayer`	특징 입력 계층은 신경망에 특징 데이터를 입력하고 데이터 정규화를 적용합니다. 특징을 나타내는, 숫자형 스칼라로 구성된 데이터 세트(공간 차원 또는 시간 차원이 없는 데이터)가 있는 경우 이 계층을 사용하십시오.
	`inputLayer`	입력 계층은 형식이 지정되지 않은 데이터 또는 사용자 지정 형식의 데이터를 신경망에 입력합니다.
	`pointCloudInputLayer` (Lidar Toolbox)	포인트 클라우드 입력 계층은 신경망에 3차원 포인트 클라우드를 입력하고 데이터 정규화를 적용합니다. 뿐만 아니라 2차원 라이다 스캔과 같은 포인트 클라우드 데이터를 입력할 수도 있습니다.

컨벌루션 계층과 완전 연결 계층

아이콘	계층	설명
	`convolution1dLayer`	1차원 컨벌루션 계층은 1차원 입력값에 슬라이딩 컨벌루션 필터를 적용합니다.
	`convolution2dLayer`	2차원 컨벌루션 계층은 2차원 입력값에 슬라이딩 컨벌루션 필터를 적용합니다.
	`convolution3dLayer`	3차원 컨벌루션 계층은 3차원 입력값에 슬라이딩 직육면체 컨벌루션 필터를 적용합니다.
	`groupedConvolution2dLayer`	2차원 그룹 컨벌루션 계층은 입력 채널을 여러 그룹으로 분리해서 슬라이딩 컨벌루션 필터를 적용합니다. 그룹 컨벌루션 계층은 채널별로 분리 가능한(심도별로 분리 가능하다고 하기도 함) 컨벌루션에 사용하십시오.
	`transposedConv1dLayer`	전치 1차원 컨벌루션 계층은 1차원 특징 맵을 업샘플링합니다.
	`transposedConv2dLayer`	전치 2차원 컨벌루션 계층은 2차원 특징 맵을 업샘플링합니다.
	`transposedConv3dLayer`	전치 3차원 컨벌루션 계층은 3차원 특징 맵을 업샘플링합니다.
	`fullyConnectedLayer`	완전 연결 계층은 입력값에 가중치 행렬을 곱한 다음 편향 벡터를 더합니다.

시퀀스 계층

아이콘	계층	설명
	`sequenceInputLayer`	시퀀스 입력 계층은 신경망에 시퀀스 데이터를 입력하고 데이터 정규화를 적용합니다.
	`lstmLayer`	LSTM 계층은 시계열 및 시퀀스 데이터에서 시간 스텝 간의 장기 종속성을 학습하는 RNN 계층입니다.
	`lstmProjectedLayer`	투영 LSTM 계층은 투영된 학습 가능 가중치를 사용하여 시계열 및 시퀀스 데이터에서 시간 스텝 간의 장기 종속성을 학습하는 RNN 계층입니다.
	`bilstmLayer`	BiLSTM(양방향 장단기 기억) 계층은 시계열 또는 시퀀스 데이터의 시간 스텝 간의 양방향 장기 종속성을 학습하는 RNN 계층입니다. 이러한 종속성은 RNN이 각 시간 스텝에서 전체 시계열로부터 학습하도록 하려는 경우에 유용할 수 있습니다.
	`gruLayer`	GRU 계층은 시계열 및 시퀀스 데이터에서 시간 스텝 간의 종속성을 학습하는 RNN 계층입니다.
	`gruProjectedLayer`	투영 GRU 계층은 투영된 학습 가능 가중치를 사용하여 시계열 및 시퀀스 데이터에서 시간 스텝 간의 종속성을 학습하는 RNN 계층입니다.
	`convolution1dLayer`	1차원 컨벌루션 계층은 1차원 입력값에 슬라이딩 컨벌루션 필터를 적용합니다.
	`transposedConv1dLayer`	전치 1차원 컨벌루션 계층은 1차원 특징 맵을 업샘플링합니다.
	`maxPooling1dLayer`	1차원 최댓값 풀링 계층은 입력값을 1차원 풀링 영역으로 나누어 다운샘플링을 수행한 다음 각 영역의 최댓값 계산을 수행합니다.
	`averagePooling1dLayer`	1차원 평균값 풀링 계층은 입력값을 1차원 풀링 영역으로 나누어 다운샘플링을 수행한 다음 각 영역의 평균값 계산을 수행합니다.
	`globalMaxPooling1dLayer`	1차원 전역 최댓값 풀링 계층은 입력값의 시간 또는 공간 차원의 최댓값을 출력하여 다운샘플링을 수행합니다.
	`flattenLayer`	평탄화 계층은 입력값의 공간 차원을 채널 차원으로 축소합니다.
	`wordEmbeddingLayer` (Text Analytics Toolbox)	단어 임베딩 계층은 단어 인덱스를 벡터로 매핑합니다.
	`peepholeLSTMLayer`(사용자 지정 계층 예)	핍홀 LSTM 계층은 LSTM 계층의 변형으로, 게이트 계산은 계층 셀 상태를 사용합니다.

활성화 계층

아이콘	계층	설명
	`reluLayer`	ReLU 계층은 입력값의 각 요소에 대해 0보다 작은 값은 모두 0으로 설정하는 임계값 연산을 수행합니다.
	`leakyReluLayer`	Leaky ReLU 계층은 0보다 작은 모든 입력값에 고정된 스칼라를 곱하는 임계값 연산을 수행합니다.
	`clippedReluLayer`	Clipped ReLU 계층은 0보다 작은 입력값은 모두 0으로 설정하고 자르기 상한(clipping ceiling)보다 큰 값은 모두 자르기 상한값으로 설정하는 임계값 연산을 수행합니다.
	`eluLayer`	ELU 활성화 계층은 양의 입력값에 항등 연산을 수행하고 음의 입력값에 비선형 지수 연산을 수행합니다.
	`geluLayer`	GELU(Gaussian Error Linear Unit) 계층은 가우스 분포의 확률에 따라 입력값에 가중치를 부여합니다.
	`tanhLayer`	쌍곡탄젠트(tanh) 활성화 계층은 계층 입력값에 tanh 함수를 적용합니다.
	`swishLayer`	swish 활성화 계층은 계층 입력값에 swish 함수를 적용합니다.
	`softplusLayer`	softplus 계층은 계층 입력값에 softplus 활성화 함수를 적용합니다.
	`softmaxLayer`	소프트맥스 계층은 입력값에 소프트맥스 함수를 적용합니다.
	`sigmoidLayer`	시그모이드 계층은 출력값의 범위가 구간 (0,1)로 지정되도록 입력값에 시그모이드 함수를 적용합니다.
	`complexReluLayer`	복소 ReLU 계층은 입력값의 실수부와 허수부에 대해 0보다 작은 값은 모두 0으로 설정하는 임계값 연산을 수행합니다.
	`functionLayer`	함수 계층은 지정된 함수를 계층 입력값에 적용합니다.
	`preluLayer`	PReLU 계층은 각 채널마다 0보다 작은 모든 입력값에 훈련 시점에 학습한 스칼라를 곱하는 임계값 연산을 수행합니다.
	`sreluLayer`(사용자 지정 계층 예)	SReLU 계층은 임계값 적용 연산을 수행하며 이때 계층은 각 채널에 대해 구간을 벗어난 값을 스케일링합니다. 구간 임계값과 스케일링 인자는 학습 가능한 파라미터입니다.
	`dlhdl.layer.mishLayer` (Deep Learning HDL Toolbox)	mish 활성화 계층은 계층 입력값에 mish 함수를 적용합니다.

정규화 계층

아이콘	계층	설명
	`batchNormalizationLayer`	배치 정규화 계층은 각 채널에 대한 모든 관측값에서 데이터의 미니 배치를 독립적으로 정규화합니다. 컨벌루션 신경망의 훈련 속도를 높이고 신경망 초기화에 대한 민감도를 줄이려면 컨벌루션 계층과 비선형 계층(예: ReLU 계층) 사이에 배치 정규화 계층을 추가하십시오.
	`groupNormalizationLayer`	그룹 정규화 계층은 각 관측값에 대해 그룹화된 채널 서브셋에서 데이터의 미니 배치를 독립적으로 정규화합니다. 컨벌루션 신경망의 훈련 속도를 높이고 신경망 초기화에 대한 민감도를 줄이려면 컨벌루션 계층과 비선형 계층(예: ReLU 계층) 사이에 그룹 정규화 계층을 사용하십시오.
	`instanceNormalizationLayer`	인스턴스 정규화 계층은 각 관측값에 대해 각 채널에서 데이터의 미니 배치를 독립적으로 정규화합니다. 컨벌루션 신경망의 훈련 수렴을 개선하고 신경망 하이퍼파라미터에 대한 민감도를 줄이려면 컨벌루션 계층과 비선형 계층(예: ReLU 계층) 사이에 인스턴스 정규화 계층을 사용하십시오.
	`layerNormalizationLayer`	계층 정규화 계층은 각 관측값에 대해 모든 채널에서 데이터의 미니 배치를 독립적으로 정규화합니다. 순환 다층 퍼셉트론 신경망의 훈련 속도를 높이고 신경망 초기화에 대한 민감도를 줄이려면 학습 가능한 계층(예: LSTM 및 완전 연결 계층) 다음에 계층 정규화 계층을 사용하십시오.
	`crossChannelNormalizationLayer`	채널별 국소 응답(교차 채널) 정규화 계층은 채널별 정규화를 수행합니다.

유틸리티 계층

아이콘	계층	설명
	`dropoutLayer`	드롭아웃 계층은 주어진 확률에 따라 입력 요소를 무작위로 0으로 설정합니다.
	`spatialDropoutLayer`	공간 드롭아웃 계층은 주어진 확률에 따라 입력 채널을 무작위로 선택하고, 훈련하는 동안 모든 요소를 0으로 설정합니다.
	`crop2dLayer`	2차원 자르기 계층은 입력값에 2차원 자르기를 적용합니다.
	`crop3dLayer`	3차원 자르기 계층은 3차원 볼륨을 입력 특징 맵의 크기로 자릅니다.
	`identityLayer`	항등 계층은 출력값이 해당 입력값과 동일한 계층입니다. 항등 계층을 사용하여 건너뛰기 연결(skip connection)을 만들 수 있으며, 이 연결은 입력값이 신경망 기본 분기에 있는 하나 이상의 계층을 건너뛰도록 합니다. 건너뛰기 연결에 대한 자세한 내용은 More About 항목을 참조하십시오.
	`networkLayer`	신경망 계층에 중첩된 신경망이 포함되어 있습니다. 반복되는 컴포넌트가 포함된 대규모 신경망 구축을 단순화하려면 이 신경망 계층을 사용합니다.
	`complexToRealLayer`	복소수-실수 계층은 지정된 차원의 데이터를 분할하여 복소수 값 데이터를 실수 값 데이터로 변환합니다.
	`realToComplexLayer`	실수-복소수 계층은 지정된 차원의 데이터를 병합하여 실수 값 데이터를 복소수 값 데이터로 변환합니다.
	`reshapeLayer`	형태 변경 계층은 데이터의 형태를 지정된 크기로 변경합니다.
	`permuteLayer`	치환 계층은 데이터 차원의 순서를 바꿉니다.
	`scalingLayer`	스케일링 계층은 입력 데이터를 선형적으로 스케일링하고 오프셋합니다.
	`quadraticLayer`	2차 계층은 입력 요소의 쌍별 곱(2차 단항식)을 계산합니다.
	`stftLayer` (Signal Processing Toolbox)	STFT 계층은 입력값의 단시간 푸리에 변환을 계산합니다.
	`istftLayer` (Signal Processing Toolbox)	ISTFT 계층은 입력값의 단시간 푸리에 역변환을 계산합니다.
	`cwtLayer` (Wavelet Toolbox)	CWT 계층은 입력값의 연속 웨이블릿 변환을 계산합니다.
	`icwtLayer` (Wavelet Toolbox)	ICWT 계층은 입력값의 연속 웨이블릿 역변환을 계산합니다.
	`modwtLayer` (Wavelet Toolbox)	MODWT 계층은 입력값의 MODWT(최대 중첩 이산 웨이블릿 변환)과 MODWT 다중분해능 분석(MRA)을 계산합니다.

계층의 크기 조정하기

아이콘	계층	설명
	`resize2dLayer` (Image Processing Toolbox)	2차원 크기 조정 계층은 스케일링 인자를 사용해 2차원 입력값을 지정된 높이와 너비로 또는 기준 입력 특징 맵의 크기로 조정합니다.
	`resize3dLayer` (Image Processing Toolbox)	3차원 크기 조정 계층은 스케일링 인자를 사용해 3차원 입력값을 지정된 높이, 너비, 깊이로 또는 기준 입력 특징 맵의 크기로 조정합니다.
	`dlhdl.layer.reshapeLayer` (Deep Learning HDL Toolbox)	형태 변경 계층은 계층 활성화 데이터의 형태를 변경합니다.

풀링 및 언풀링 계층

아이콘	계층	설명
	`averagePooling1dLayer`	1차원 평균값 풀링 계층은 입력값을 1차원 풀링 영역으로 나누어 다운샘플링을 수행한 다음 각 영역의 평균값 계산을 수행합니다.
	`averagePooling2dLayer`	2차원 평균값 풀링 계층은 입력값을 직사각형 풀링 영역으로 나누어 다운샘플링을 수행한 다음 각 영역의 평균값 계산을 수행합니다.
	`averagePooling3dLayer`	3차원 평균값 풀링 계층은 3차원 입력값을 직육면체 풀링 영역으로 나누어 다운샘플링을 수행한 다음 각 영역의 평균값 계산을 수행합니다.
	`adaptiveAveragePooling2dLayer`	2차원 적응형 평균값 풀링 계층은 입력값을 직사각형 풀링 영역으로 나누어 다운샘플링을 수행하여 원하는 출력값 크기를 제공한 다음 각 영역의 평균값 계산을 수행합니다.
	`globalAveragePooling1dLayer`	1차원 전역 평균값 풀링 계층은 입력값의 시간 또는 공간 차원의 평균을 출력하여 다운샘플링을 수행합니다.
	`globalAveragePooling2dLayer`	2차원 전역 평균값 풀링 계층은 입력값의 높이 및 너비 차원의 평균을 계산하여 다운샘플링을 수행합니다.
	`globalAveragePooling3dLayer`	3차원 전역 평균값 풀링 계층은 입력값의 높이, 너비, 깊이 차원의 평균을 계산하여 다운샘플링을 수행합니다.
	`maxPooling1dLayer`	1차원 최댓값 풀링 계층은 입력값을 1차원 풀링 영역으로 나누어 다운샘플링을 수행한 다음 각 영역의 최댓값 계산을 수행합니다.
	`maxPooling2dLayer`	2차원 최댓값 풀링 계층은 입력값을 직사각형 풀링 영역으로 나누어 다운샘플링을 수행한 다음 각 영역의 최댓값 계산을 수행합니다.
	`maxPooling3dLayer`	3차원 최댓값 풀링 계층은 3차원 입력값을 직육면체 풀링 영역으로 나누어 다운샘플링을 수행한 다음 각 영역의 최댓값 계산을 수행합니다.
	`globalMaxPooling1dLayer`	1차원 전역 최댓값 풀링 계층은 입력값의 시간 또는 공간 차원의 최댓값을 출력하여 다운샘플링을 수행합니다.
	`globalMaxPooling2dLayer`	2차원 전역 최댓값 풀링 계층은 입력값의 높이 및 너비 차원의 최댓값을 계산하여 다운샘플링을 수행합니다.
	`globalMaxPooling3dLayer`	3차원 전역 최댓값 풀링 계층은 입력값의 높이, 너비, 깊이 차원의 최댓값을 계산하여 다운샘플링을 수행합니다.
	`maxUnpooling2dLayer`	2차원 최댓값 언풀링 계층은 2차원 최댓값 풀링 계층의 출력값을 언풀링합니다.

결합 계층

아이콘	계층	설명
	`additionLayer`	덧셈 계층은 여러 신경망 계층으로부터의 입력값을 요소별로 더합니다.
	`multiplicationLayer`	곱셈 계층은 여러 신경망 계층으로부터의 입력값을 요소별로 곱합니다.
	`depthConcatenationLayer`	심도 결합 계층은 동일한 높이와 너비를 갖는 입력값을 받아서 채널 차원을 따라 결합합니다.
	`concatenationLayer`	결합 계층은 입력값을 받아서 지정된 차원을 따라 결합합니다. 입력값은 결합 차원을 제외한 모든 차원에서 크기가 동일해야 합니다.
	`weightedAdditionLayer`(사용자 지정 계층 예)	가중 덧셈 계층은 여러 신경망 계층으로부터의 입력값을 요소별로 스케일링하고 더합니다.
	`dlhdl.layer.splitLayer` (Deep Learning HDL Toolbox)	분할 계층은 계층 출력값을 영상의 채널 차원을 따라 균등한 부분으로 나눕니다.

트랜스포머 계층

아이콘	계층	설명
	`selfAttentionLayer`	셀프 어텐션 계층은 입력의 단일 헤드 또는 다중 헤드 셀프 어텐션을 계산합니다.
	`attentionLayer`	내적 어텐션 계층은 가중 곱셈 연산을 사용하여 입력값의 일부에 집중하여 연산을 수행합니다.
	`positionEmbeddingLayer`	위치 임베딩 계층은 순차적 또는 공간 인덱스를 벡터로 매핑합니다.
	`sinusoidalPositionEncodingLayer`	정현파 위치 인코딩 계층은 정현파 연산을 사용하여 위치 인덱스를 벡터로 매핑합니다.
	`embeddingConcatenationLayer`	임베딩 결합 계층은 결합을 통해 입력값과 임베딩 벡터를 결합합니다.
	`indexing1dLayer`	1차원 인덱싱 계층은 입력 데이터의 시간 또는 공간 차원의 지정된 인덱스에서 데이터를 추출합니다.
	`patchEmbeddingLayer` (Computer Vision Toolbox)	패치 임베딩 계층은 픽셀의 패치를 벡터로 매핑합니다.

신경망 ODE 계층

아이콘	계층	설명
	`neuralODELayer`	신경망 ODE 계층은 ODE의 해를 출력합니다.

객체 검출 계층

아이콘	계층	설명
	`roiMaxPooling2dLayer` (Computer Vision Toolbox)	ROI 최댓값 풀링 계층은 입력 특징 맵에 있는 모든 직사각형 ROI에 대해 고정된 크기의 특징 맵을 출력합니다. Fast R-CNN 또는 Faster R-CNN 객체 검출 신경망을 만들려면 이 계층을 사용하십시오.
	`roiAlignLayer` (Computer Vision Toolbox)	ROI 정렬 계층은 입력 특징 맵에 있는 모든 직사각형 ROI에 대해 고정된 크기의 특징 맵을 출력합니다. Mask R-CNN 신경망을 만들려면 이 계층을 사용하십시오.
	`ssdMergeLayer` (Computer Vision Toolbox)	SSD 병합 계층은 후속 회귀 및 분류 손실 계산을 위해 특징 맵의 출력값을 병합합니다.
	`yolov2TransformLayer` (Computer Vision Toolbox)	YOLO(You Only Look Once) 버전 2 신경망의 트랜스포머 계층은 신경망에서 마지막 컨벌루션 계층의 경계 상자 예측값을 변환하여 ground truth 경계 내에 있게 합니다. YOLO v2 신경망의 안정성을 향상하려면 트랜스포머 계층을 사용하십시오.
	`spaceToDepthLayer` (Image Processing Toolbox)	space-to-depth 계층은 입력값의 공간 블록을 깊이 차원으로 치환합니다. 특징 데이터를 버리지 않으면서 서로 다른 크기의 특징 맵을 결합해야 하는 경우 이 계층을 사용하십시오.
	`depthToSpace2dLayer` (Image Processing Toolbox)	2차원의 depth-to-space 계층은 깊이 차원의 데이터를 2차원 공간 데이터의 블록으로 치환합니다.
	`dlhdl.layer.sliceLayer` (Deep Learning HDL Toolbox)	슬라이스 계층은 계층에 대한 입력값을 영상의 채널 차원을 따라 동일한 수의 그룹으로 나눕니다.

참고 항목

trainnet | trainingOptions | dlnetwork | 심층 신경망 디자이너

도움말 항목