주요 콘텐츠

레거시 신경망 코드를 dlnetwork 워크플로로 전환하기

R2026b

레거시 신경망 기능(예: network 객체 관련 기능)은 향후 릴리스에서 제거될 예정입니다. 대신 dlnetwork 객체와 관련 기능을 사용하십시오.

레거시 신경망 객체는 오래되었으며 최신 워크플로에 적합하지 않습니다. 제거되는 기능 중 일부는 R2006a 이전에 도입되었습니다(예: network 객체 및 train 함수). 대신 dlnetwork 객체(R2019b에서 추가됨)와 trainnet 함수(R2023b에서 추가됨) 같은 관련 기능을 사용하는 것이 권장됩니다. 이 경우 다음과 같은 이점이 있습니다.

  • dlnetwork 객체는 더 넓은 범위의 신경망 아키텍처를 지원하며, trainnet 함수를 사용하여 훈련시키거나 외부 플랫폼에서 가져올 수 있습니다.

  • dlnetwork 객체는 더 많은 유연성을 제공하며 Deep Learning Toolbox™ 기능을 더 폭넓게 지원합니다.

  • dlnetwork 객체는 신경망 구축, 예측, 기본 제공 훈련, 압축, Simulink®, 코드 생성, 검증 및 사용자 지정 훈련 루프를 지원하는 통합 데이터형을 제공합니다.

팁

trainNetwork, SeriesNetwork, DAGNetwork 코드를 dlnetwork 워크플로로 전환하는 방법을 알아보려면 Transition trainNetwork, SeriesNetwork, and DAGNetwork Code to dlnetwork Workflows 항목을 참조하십시오.

테이블 형식 데이터 워크플로의 경우, fitrnet (Statistics and Machine Learning Toolbox) 함수와 fitcnet (Statistics and Machine Learning Toolbox) 함수를 사용하여 신경망을 훈련시키고 dlnetwork 객체로 변환할 수 있습니다.

mdl = fitrnet(X,T);
net = dlnetwork(mdl);

다른 유형의 데이터 또는 추가적인 유연성을 원하는 경우 trainingOptions 함수와 trainnet 함수를 사용하여 신경망을 훈련시킬 수 있습니다.

options = trainingOptions("adam");
net = trainnet(X,T,layers,"mse",options);

또는 시계열 모델러, 심층 신경망 디자이너, 회귀 학습기 (Statistics and Machine Learning Toolbox), 분류 학습기 (Statistics and Machine Learning Toolbox)와 같은 앱에서 대화형 방식으로 워크플로를 다시 만든 다음 모델을 내보낼 수 있습니다.

Time Series Modeler Data tab showing a summary of imported data, a plot of time series lengths, and a preview of the selected observation.

딥러닝 워크플로에 다음 앱을 사용할 수 있습니다.

코드를 업데이트할 때는 일반적으로 예제나 도움말 페이지의 코드를 가져와 자신의 작업에 맞게 조정하는 것이 가장 좋은 방법입니다. 다음 예제를 사용하여 시작할 수 있습니다.

아래 표에는 코드 업데이트를 위한 권장 사항이 나와 있습니다. 자세한 내용은 영향을 받는 기능의 도움말 페이지를 참조하십시오.

참고

이 예제에서 사용하는 훈련 옵션, 모델 아키텍처, 알고리즘은 대부분의 작업에 그대로 사용하거나 조정하여 적용하기에 적합합니다. 더 높은 유연성이 필요하거나 알고리즘을 정확하게 재현해야 하는 경우 사용자 지정 훈련 루프를 구현할 수 있습니다. 사용자 지정 훈련 루프에 대한 자세한 내용은 Custom Training Loops 항목을 참조하십시오.

범주제거될 함수 또는 객체권장 사항
앱nnstart

딥러닝 워크플로에는 대신 다음과 같은 앱과 라이브 편집기 작업이 권장됩니다.

신경망 시계열, ntstool

시계열 모델러 앱

신경망 패턴 인식, nprtool

분류 학습기 (Statistics and Machine Learning Toolbox) 앱

신경망 피팅, nftool

회귀 학습기 (Statistics and Machine Learning Toolbox) 앱

신경망 군집화, nctool

데이터 군집화 (Statistics and Machine Learning Toolbox) 라이브 편집기 작업

시계열 데이터 워크플로

adapt, adaptwb, adddelay, closeloop, con2seq, distdelaynet, elmannet, extendts, getsignals, gettimesteps, narnet, narxnet, nncorr, noloop, openloop, preparets, removedelay, setsignals, settimesteps, tapdelay, timedelaynet

시계열 데이터 워크플로에 대해 자세히 알아보려면 다음 예제와 항목을 참조하십시오.

신경망 구축

cascadeforwardnet, competlayer, configure, feedforwardnet, fitnet, gridtop, hextop, isconfigured, linearlayer, lvqnet, maxlinlr, network, newgrnn, newlind, newpnn, newrb, newrbe, patternnet, perceptron, regression, unconfigure, tritop

이러한 워크플로에 맞게 고유한 신경망을 설계하고 사용자 지정하려면 딥러닝 계층으로 구성된 배열이나 dlnetwork 객체를 사용하여 신경망을 만들면 됩니다. 신경망을 대화형 방식으로 생성 및 편집하고 코드를 생성하려면 심층 신경망 디자이너 앱을 사용하십시오. 신경망 구축 워크플로에 대해 자세히 알아보려면 다음 예제와 항목을 참조하십시오.

훈련 및 예측

train, sim

신경망 훈련과 예측에 대해 자세히 알아보려면 다음 예제와 항목을 참조하십시오.

시각화

errsurf, plotconfusion, plotep, ploterrcorr, ploterrhist, plotes, plotfit, plotinerrcorr, plotpc, plotperform, plotpv, plotregression, plotresponse, plotroc, plottrainstate, plotvec, plotwb, view

시각화 워크플로에 대해 자세히 알아보려면 다음 예제와 항목을 참조하십시오.

데이터 처리

catelements, catsamples, catsignals, cattimesteps, cellmat, combvec, getelements, divideblock, divideind, divideint, dividerand, dividetrain, fixunknowns, fromnndata, getsamples, gpu2nndata, ind2vec, lvqoutputs, mapminmax, mapstd, nncell2mat, nndata, nndata2gpu, nnsize, numelements, numfinite, numnan, numsamples, numsignals, numtimesteps, processpca, quant, removeconstantrows, removerows, seq2con, setelements, setsamples, tonndata, vec2ind

신경망의 데이터 처리에 대해 자세히 알아보려면 다음 예제와 항목을 참조하십시오.

전달 함수 및 활성화 함수compet, elliotsig, elliot2sig, hardlim, hardlims, logsig, netinv, netprod, netsum, poslin, purelin, radbas, radbasn, satlin, satlins, softmax, tansig

신경망에서 활성화 함수 및 전달 함수 사용에 대해 자세히 알아보려면 다음 예제와 항목을 참조하십시오.

메트릭 및 손실 함수

confusion, crossentropy, mae, mse, perform, roc, sae, sse

신경망 훈련 시 메트릭 및 손실 함수 사용에 대해 자세히 알아보려면 다음 예제와 항목을 참조하십시오.

Simulink 및 코드 생성

gensim, nndata2sim, sim2nndata, genFunction, getsiminit, setsiminit

Simulink 및 신경망을 위한 코드 생성에 대해 자세히 알아보려면 다음 예제와 항목을 참조하십시오.

수학 연산

boxdist, convwf, dist, dotprod, gadd, gdivide, gmultiply, gnegate, gsqrt, gsubtract, linkdist, mandist, meanabs, meansqr, minmax, negdist, normc, normprod, normr, pnormc, scalprod, sumabs, sumsqr

지원되는 수학 연산과 딥러닝 연산 및 계층에 대해 자세히 알아보려면 다음 예제와 항목을 참조하십시오.

오토인코더

Autoencoder, decode, encode, generateFunction, generateSimulink, network, predict, plotWeights, stack, trainAutoencoder, view

오토인코더 워크플로에 대해 자세히 알아보려면 다음 예제와 항목을 참조하십시오.

자기 조직화 맵

learnsom, learnsomb, plotsom, plotsomnc, plotsomhits, plotsomnd, plotsomplanes, plotsompos, plotsomtop, selforgmap

자기 조직화 맵 워크플로에 대해 자세히 알아보려면 다음 예제와 항목을 참조하십시오.

가지치기

prune, prunedata

가지치기와 기타 신경망 압축 워크플로에 대해 자세히 알아보려면 다음 예제와 항목을 참조하십시오.

가중치 및 편향 함수

concur, formwb, getwb, init, initcon, initlay, initlvq, initnw, initwb, initzero, midpoint, randnc, randnr, rands, randsmall, randtop, revert, separatewb, setwb

신경망의 학습 가능한 파라미터를 초기화하고 사용자 지정하는 방법에 대해 자세히 알아보려면 다음 예제와 항목을 참조하십시오.

훈련 및 학습 알고리즘

learncon, learngd, learngdm, learnh, learnhd, learnis, learnk, learnlv1, learnlv2, learnos, learnp, learnpn, learnwh, trainb, trainbfg, trainbr, trainbu, trainc, traincgb, traincgf, traincgptraingd, traingda, traingdm, traingdx, trainlm, trainoss, trainr, trainrp, trainru, trains, trainscg, tribas, srchbac, srchbre, srchcha, srchgol, srchhyb

훈련 알고리즘 사용자 지정에 대해 자세히 알아보려면 다음 예제와 항목을 참조하십시오.

도함수

bttderiv, defaultderiv, fpderiv, num2deriv, num5deriv, staticderiv

자동 미분 워크플로에 대해 자세히 알아보려면 다음 예제와 항목을 참조하십시오.

참고 항목

(Statistics and Machine Learning Toolbox) | (Statistics and Machine Learning Toolbox) | | | | | | (Statistics and Machine Learning Toolbox) | (Statistics and Machine Learning Toolbox)

도움말 항목