딥러닝 계층 목록

이 페이지의 최신 내용은 아직 번역되지 않았습니다. 최신 내용은 영문으로 볼 수 있습니다.

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

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

작업	자세히 알아보기
영상 분류 또는 회귀를 위한 딥러닝 신경망 만들기.	간단한 분류용 딥러닝 신경망 만들기 회귀를 위해 컨벌루션 신경망 훈련시키기 영상 분류를 위해 잔차 네트워크 훈련시키기
시퀀스 및 시계열 데이터를 위한 딥러닝 신경망 만들기	딥러닝을 사용한 시퀀스 분류 딥러닝을 사용한 시계열 예측
오디오 데이터를 위한 딥러닝 신경망 만들기.	딥러닝을 사용해 음성 명령 인식하기
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 네트워크 디자이너 앱을 사용하여 대화형 방식으로 네트워크를 만들 수 있습니다.

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

입력 계층

계층	설명
`imageInputLayer`	영상 입력 계층은 네트워크에 2차원 영상을 입력하고 데이터 정규화를 적용합니다.
`image3dInputLayer`	3차원 영상 입력 계층은 네트워크에 3차원 영상 또는 3차원 볼륨을 입력하고 데이터 정규화를 적용합니다.
`sequenceInputLayer`	시퀀스 입력 계층은 네트워크에 시퀀스 데이터를 입력합니다.
`roiInputLayer`(Computer Vision Toolbox™)	ROI 입력 계층은 Fast R-CNN 객체 검출 네트워크에 영상을 입력합니다.

컨벌루션 계층과 완전 연결 계층

계층	설명
`convolution2dLayer`	2차원 컨벌루션 계층은 입력값에 슬라이딩 컨벌루션 필터를 적용합니다.
`convolution3dLayer`	3차원 컨벌루션 계층은 3차원 입력값에 직육면체의 슬라이딩 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.
`transposedConv2dLayer`	전치 2차원 컨벌루션 계층은 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

계층	설명
`sequenceInputLayer`	시퀀스 입력 계층은 네트워크에 시퀀스 데이터를 입력합니다.
`lstmLayer`	LSTM 계층은 시계열 및 시퀀스 데이터에서 시간 스텝 간의 장기 종속성을 학습합니다.
`bilstmLayer`	BiLSTM(양방향 장단기 기억) 계층은 시계열 또는 시퀀스 데이터의 시간 스텝 간의 양방향 장기 종속성을 학습합니다. 이러한 종속성은 네트워크가 각 시간 스텝에서 전체 시계열로부터 학습하도록 하려는 경우에 유용할 수 있습니다.
`sequenceFoldingLayer`	시퀀스 접기 계층은 영상 시퀀스 배치를 영상 배치로 변환합니다. 영상 시퀀스의 시간 스텝에 대해 독립적으로 컨벌루션 연산을 수행하려는 경우 시퀀스 접기 계층을 사용하십시오.
`sequenceUnfoldingLayer`	시퀀스 펼치기 계층은 시퀀스 접기 후에 입력 데이터의 시퀀스 구조를 복원합니다.
`flattenLayer`	평탄화 계층은 입력값의 공간 차원을 채널 차원으로 축소합니다.
`wordEmbeddingLayer`(Text Analytics Toolbox™)	단어 임베딩 계층은 단어 인덱스를 벡터로 매핑합니다.

활성화 계층

계층	설명
`reluLayer`	ReLU 계층은 입력값의 각 요소에 대해 0보다 작은 값은 모두 0으로 설정하는 임계값 연산을 수행합니다.
`leakyReluLayer`	Leaky ReLU 계층은 0보다 작은 입력값은 모두 고정된 스칼라로 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.
`tanhLayer`	쌍곡탄젠트(tanh) 활성화 계층은 계층 입력값에 tanh 함수를 적용합니다.
`preluLayer`(사용자 지정 계층 예)	PReLU 계층은 각 채널마다 0보다 작은 입력값을 훈련 시점에 학습한 스칼라로 곱하는 임계값 연산을 수행합니다.

정규화, 드롭아웃 및 자르기 계층

계층	설명
`batchNormalizationLayer`	배치 정규화 계층은 미니 배치에서 각 입력 채널을 정규화합니다. 컨벌루션 신경망의 훈련 속도를 높이고 신경망 초기화에 대한 민감도를 줄이려면 컨벌루션 계층과 비선형 계층(예: ReLU 계층) 사이에 배치 정규화 계층을 추가하십시오.
`crossChannelNormalizationLayer`	채널별 국소 응답(교차 채널) 정규화 계층은 채널별 정규화를 수행합니다.
`dropoutLayer`	드롭아웃 계층은 주어진 확률에 따라 입력 요소를 무작위로 0으로 설정합니다.
`crop2dLayer`	2차원 자르기 계층은 입력값에 2차원 자르기를 적용합니다.
`crop3dLayer`	3차원 자르기 계층은 3차원 볼륨을 입력 특징 맵의 크기로 자릅니다.

풀링 및 언풀링 계층

계층	설명
`averagePooling2dLayer`	평균값 풀링 계층은 입력값을 직사각형 풀링 영역으로 나누고 각 영역의 평균 값을 계산하여 다운샘플링을 수행합니다.
`averagePooling3dLayer`	3차원 평균값 풀링 계층은 3차원 입력값을 직육면체 풀링 영역으로 나누고 각 영역의 평균 값을 계산하여 다운샘플링을 수행합니다.
`globalAveragePooling2dLayer`	전역 평균값 풀링 계층은 입력값의 높이 및 너비 차원의 평균을 계산하여 다운샘플링을 수행합니다.
`globalAveragePooling3dLayer`	전역 평균값 풀링 계층은 입력값의 높이, 너비, 깊이 차원의 평균을 계산하여 다운샘플링을 수행합니다.
`maxPooling2dLayer`	최댓값 풀링 계층은 입력값을 직사각형 풀링 영역으로 나누고 각 영역의 최댓값을 계산하여 다운샘플링을 수행합니다.
`maxPooling3dLayer`	3차원 최댓값 풀링 계층은 3차원 입력값을 직육면체 풀링 영역으로 나누고 각 영역의 최댓값을 계산하여 다운샘플링을 수행합니다.
`maxUnpooling2dLayer`	최댓값 언풀링 계층은 최댓값 풀링 계층의 출력값을 언풀링합니다.

결합 계층

계층	설명
`additionLayer`	덧셈 계층은 여러 신경망 계층의 입력값을 요소별로 더합니다.
`depthConcatenationLayer`	심도 결합 계층은 동일한 높이와 너비를 갖는 입력값을 받아서 세 번째 차원(채널 차원)을 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 계층의 입력값을 요소별로 스케일링하고 더합니다.

객체 검출 계층

계층	설명
`roiInputLayer`(Computer Vision Toolbox)	ROI 입력 계층은 Fast R-CNN 객체 검출 네트워크에 영상을 입력합니다.
`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 네트워크를 만들려면 이 계층을 사용하십시오.
`regionProposalLayer`(Computer Vision Toolbox)	영역 제안 계층은 Faster R-CNN의 영역 제안 네트워크(RPN)에 속하며, 영상에서 사물일 가능성이 있는 부분을 둘러싸는 경계 상자를 출력합니다.
`rpnSoftmaxLayer`(Computer Vision Toolbox)	영역 제안 네트워크(RPN) 소프트맥스 계층은 입력값에 소프트맥스 활성화 함수를 적용합니다. Faster R-CNN 객체 검출 네트워크를 만들려면 이 계층을 사용하십시오.
`rpnClassificationLayer`(Computer Vision Toolbox)	영역 제안 네트워크(RPN) 분류 계층은 교차 엔트로피 손실 함수를 사용하여 영상 영역을 사물 또는 배경으로 분류합니다. Faster R-CNN 객체 검출 네트워크를 만들려면 이 계층을 사용하십시오.
`rcnnBoxRegressionLayer`(Computer Vision Toolbox)	상자 회귀 계층은 smooth-L1 손실 함수를 사용하여 경계 상자 위치를 미세 조정합니다. Fast R-CNN 또는 Faster R-CNN 객체 검출 네트워크를 만들려면 이 계층을 사용하십시오.

출력 계층

계층	설명
`softmaxLayer`	소프트맥스 계층은 입력값에 소프트맥스 함수를 적용합니다.
`classificationLayer`	분류 계층은 상호 배타적인 클래스를 갖는 다중 클래스 분류 문제에 대해 교차 엔트로피 손실을 계산합니다.
`regressionLayer`	회귀 계층은 회귀 문제의 손실을 평균 제곱 오차의 절반을 취한 값으로 계산합니다.
`pixelClassificationLayer` (Computer Vision Toolbox)	픽셀 분류 계층은 각 영상 픽셀 또는 복셀에 categorical형 레이블을 제공합니다.
`dicePixelClassificationLayer` (Computer Vision Toolbox)	다이스 픽셀 분류 계층은 일반화된 다이스 손실을 사용하여 각 영상 픽셀 또는 복셀에 categorical형 레이블을 제공합니다.
`rpnSoftmaxLayer` (Computer Vision Toolbox)	영역 제안 네트워크(RPN) 소프트맥스 계층은 입력값에 소프트맥스 활성화 함수를 적용합니다. Faster R-CNN 객체 검출 네트워크를 만들려면 이 계층을 사용하십시오.
`rpnClassificationLayer` (Computer Vision Toolbox)	영역 제안 네트워크(RPN) 분류 계층은 교차 엔트로피 손실 함수를 사용하여 영상 영역을 사물 또는 배경으로 분류합니다. Faster R-CNN 객체 검출 네트워크를 만들려면 이 계층을 사용하십시오.
`rcnnBoxRegressionLayer` (Computer Vision Toolbox)	상자 회귀 계층은 smooth-L1 손실 함수를 사용하여 경계 상자 위치를 미세 조정합니다. Fast R-CNN 또는 Faster R-CNN 객체 검출 네트워크를 만들려면 이 계층을 사용하십시오.
`weightedClassificationLayer`(사용자 지정 계층 예)	가중 분류 계층은 분류 문제에 대해 가중 교차 엔트로피 손실을 계산합니다.
`tverskyPixelClassificationLayer`(사용자 지정 계층 예)	Tversky 픽셀 분류 계층은 Tversky 손실을 사용하여 각 영상 픽셀 또는 복셀에 categorical형 레이블을 제공합니다.
`sseClassificationLayer`(사용자 지정 계층 예)	분류 SSE 계층은 분류 문제의 손실을 오차 제곱합으로 계산합니다.
`maeRegressionLayer`(사용자 지정 계층 예)	회귀 MAE 계층은 회귀 문제의 손실을 절대 오차 평균으로 계산합니다.