DAGNetwork

(권장되지 않음) 딥러닝을 위한 DAG(유방향 비순환 그래프) 신경망

DAGNetwork 객체는 권장되지 않습니다. 대신 dlnetwork 객체를 사용하십시오. 자세한 내용은 버전 내역을 참조하십시오.

설명

DAG 신경망은 딥러닝을 위한 신경망입니다. 이 신경망의 계층은 유방향 비순환 그래프로 배열됩니다. DAG 신경망에서는 계층이 여러 계층으로부터 입력값을 가질 수 있고 여러 계층으로 출력값을 보낼 수 있는 보다 복잡한 아키텍처를 가질 수 있습니다.

생성

DAGNetwork 객체를 만드는 방법에는 여러 가지가 있습니다.

• squeezenet, googlenet, resnet50, resnet101 또는 inceptionv3과 같은 사전 훈련된 신경망을 불러옵니다. 예제는 SqueezeNet 신경망 불러오기 항목을 참조하십시오. 사전 훈련된 신경망에 대한 자세한 내용은 사전 훈련된 심층 신경망 항목을 참조하십시오.

• trainNetwork를 사용하여 신경망을 훈련시키거나 미세 조정합니다.

• TensorFlow™-Keras, TensorFlow 2, Caffe 또는 ONNX™(Open Neural Network Exchange) 모델 형식에서 사전 훈련된 신경망을 가져옵니다.

  • Keras 모델에는 importKerasNetwork를 사용하십시오. 예제는 Keras 신경망을 가져오고 플로팅하기 항목을 참조하십시오.

  • 저장된 모델 형식의 TensorFlow 모델에는 importTensorFlowNetwork를 사용하십시오. 예제는 Import TensorFlow Network as DAGNetwork to Classify Image 항목을 참조하십시오.

  • Caffe 모델에는 importCaffeNetwork를 사용하십시오. 예제는 Caffe 신경망 가져오기 항목을 참조하십시오.

  • ONNX 모델에는 importONNXNetwork를 사용하십시오. 예제는 Import ONNX Network as DAGNetwork 항목을 참조하십시오.

• assembleNetwork 함수를 사용하여, 사전 훈련된 계층에서 딥러닝 신경망을 조합합니다.

참고

기타 사전 훈련된 신경망에 대해 자세히 알아보려면 사전 훈련된 심층 신경망 항목을 참조하십시오.

속성

Layers — 신경망 계층

Layer 배열

읽기 전용 속성입니다.

신경망 계층으로, Layer 배열로 지정됩니다.

Connections — 계층 연결

테이블

읽기 전용 속성입니다.

계층 연결로, 2개의 열이 있는 테이블로 지정됩니다.

각 테이블 행은 계층 그래프에 있는 하나의 연결을 나타냅니다. 첫 번째 열 Source는 각 연결의 소스를 지정합니다. 두 번째 열 Destination은 각 연결의 대상을 지정합니다. 연결 소스와 대상은 계층 이름이거나 "layerName/IOName" 형태를 갖습니다. 여기서 "IOName"은 계층 입력값 또는 출력값의 이름입니다.

데이터형: table

InputNames — 입력 계층의 이름

문자형 벡터로 구성된 셀형 배열

읽기 전용 속성입니다.

입력 계층의 이름으로, 문자형 벡터로 구성된 셀형 배열로 지정됩니다.

데이터형: cell

OutputNames — 출력 계층의 이름

셀형 배열

읽기 전용 속성입니다.

출력 계층의 이름으로, 문자형 벡터로 구성된 셀형 배열로 지정됩니다.

데이터형: cell

객체 함수

activations	(권장되지 않음) 딥러닝 신경망 계층 활성화 계산
classify	(권장되지 않음) 훈련된 딥러닝 신경망을 사용하여 데이터 분류
predict	(권장되지 않음) 훈련된 딥러닝 신경망을 사용하여 응답 변수 예측
plot	신경망 아키텍처 플로팅
predictAndUpdateState	(권장되지 않음) 훈련된 순환 신경망을 사용하여 응답 변수 예측 및 신경망 상태 업데이트
classifyAndUpdateState	(권장되지 않음) 훈련된 순환 신경망을 사용하여 데이터 분류 및 신경망 상태 업데이트
resetState	신경망의 상태 파라미터 재설정

예제

간단한 DAG 신경망 만들기

딥러닝을 위한 간단한 DAG(유방향 비순환 그래프) 신경망을 만듭니다.

숫자 영상을 분류하도록 신경망을 훈련시킵니다. 이 예제의 간단한 신경망은 다음으로 구성됩니다.

• 계층이 순차적으로 연결된 기본 분기.

• 1×1 컨벌루션 계층 1개를 포함하는 지름길 연결. 지름길 연결은 출력 계층에서 신경망의 이전 계층으로 파라미터 기울기가 보다 쉽게 흐르도록 해 줍니다.

신경망의 기본 분기를 계층 배열로 만듭니다. 덧셈 계층은 여러 개의 입력값을 요소별로 합산합니다. 덧셈 계층이 합산할 입력값의 개수를 지정합니다. 나중에 쉽게 연결을 추가하려면 첫 번째 ReLU 계층과 덧셈 계층에 이름을 지정하십시오.

layers = [
    imageInputLayer([28 28 1])
    
    convolution2dLayer(5,16,'Padding','same')
    batchNormalizationLayer
    reluLayer('Name','relu_1')
    
    convolution2dLayer(3,32,'Padding','same','Stride',2)
    batchNormalizationLayer
    reluLayer
    convolution2dLayer(3,32,'Padding','same')
    batchNormalizationLayer
    reluLayer
    
    additionLayer(2,'Name','add')
    
    averagePooling2dLayer(2,'Stride',2)
    fullyConnectedLayer(10)
    softmaxLayer
    classificationLayer];

계층 배열에서 계층 그래프를 만듭니다. layerGraph는 layers에 있는 모든 계층을 순차적으로 연결합니다. 계층 그래프를 플로팅합니다.

lgraph = layerGraph(layers);
figure
plot(lgraph)

1×1 컨벌루션 계층을 만들어서 계층 그래프에 추가합니다. 활성화 크기가 세 번째 ReLU 계층의 활성화 크기와 일치하도록 컨벌루션 필터의 개수와 스트라이드를 지정합니다. 이렇게 지정해 두면 덧셈 계층이 세 번째 ReLU 계층과 1×1 컨벌루션 계층의 출력값을 더할 수 있게 됩니다. 계층이 그래프에 있는지 확인하기 위해 계층 그래프를 플로팅합니다.

skipConv = convolution2dLayer(1,32,'Stride',2,'Name','skipConv');
lgraph = addLayers(lgraph,skipConv);
figure
plot(lgraph)

'relu_1' 계층에서 'add' 계층으로 지름길 연결을 만듭니다. 덧셈 계층을 만들 때 계층의 입력값의 개수를 2로 지정했으므로 이 계층은 이름이 각각 'in1'과 'in2'인 2개의 입력값을 갖습니다. 세 번째 ReLU 계층은 이미 'in1' 입력값에 연결되어 있습니다. 'relu_1' 계층을 'skipConv' 계층에 연결하고 'skipConv' 계층을 'add' 계층의 'in2' 입력값에 연결합니다. 이 덧셈 계층이 세 번째 ReLU 계층과 'skipConv' 계층의 출력값을 합산합니다. 계층이 올바르게 연결되었는지 확인하려면 계층 그래프를 플로팅합니다.

lgraph = connectLayers(lgraph,'relu_1','skipConv');
lgraph = connectLayers(lgraph,'skipConv','add/in2');
figure
plot(lgraph);

28×28 회색조 숫자 영상으로 구성된 훈련 데이터와 검증 데이터를 불러옵니다.

[XTrain,YTrain] = digitTrain4DArrayData;
[XValidation,YValidation] = digitTest4DArrayData;

훈련 옵션을 지정하고 신경망을 훈련시킵니다. trainNetwork는 ValidationFrequency회 반복마다 검증 데이터를 사용하여 신경망을 검증합니다.

options = trainingOptions('sgdm', ...
    'MaxEpochs',8, ...
    'Shuffle','every-epoch', ...
    'ValidationData',{XValidation,YValidation}, ...
    'ValidationFrequency',30, ...
    'Verbose',false, ...
    'Plots','training-progress');
net = trainNetwork(XTrain,YTrain,lgraph,options);

훈련된 신경망의 속성을 표시합니다. 신경망은 DAGNetwork 객체입니다.

net

net = 
  DAGNetwork with properties:

         Layers: [16x1 nnet.cnn.layer.Layer]
    Connections: [16x2 table]
     InputNames: {'imageinput'}
    OutputNames: {'classoutput'}

검증 영상을 분류하고 정확도를 계산합니다. 이 신경망은 정확도가 매우 높습니다.

YPredicted = classify(net,XValidation);
accuracy = mean(YPredicted == YValidation)

accuracy = 0.9932

확장 기능

C/C++ 코드 생성

MATLAB® Coder™를 사용하여 C 코드나 C++ 코드를 생성할 수 있습니다.

사용법 관련 참고 및 제한 사항:

• activations, classify, predict, predictAndUpdateState, classifyAndUpdateState 및 resetState 객체 함수만 지원됩니다.

GPU 코드 생성

GPU Coder™를 사용하여 NVIDIA® GPU용 CUDA® 코드를 생성할 수 있습니다.

사용법 관련 참고 및 제한 사항:

• activations, classify, predict, predictAndUpdateState, classifyAndUpdateState 및 resetState 객체 함수만 지원됩니다.

버전 내역

R2017b에 개발됨

R2024a: 권장되지 않음

R2024a부터 DAGNetwork 객체는 권장되지 않습니다. 대신 dlnetwork 객체를 사용하십시오.

DAGNetwork 객체에 대한 지원을 제거할 계획은 없습니다. 하지만 다음과 같은 이점이 있는 dlnetwork 객체가 대신 권장됩니다.

• dlnetwork 객체는 신경망 구축, 예측, 기본 제공 훈련, 시각화, 압축, 검증 및 사용자 지정 훈련 루프를 지원하는 통합 데이터형입니다.

• dlnetwork 객체는 외부 플랫폼에서 만들거나 가져올 수 있는 더 넓은 범위의 신경망 아키텍처를 지원합니다.

• dlnetwork 객체는 trainnet 함수에서 지원되기 때문에 손실 함수를 쉽게 지정할 수 있습니다. 내장 손실 함수 중에서 선택하거나 사용자 지정 손실 함수를 지정할 수 있습니다.

• 일반적으로 dlnetwork 객체를 사용한 훈련과 예측이 LayerGraph와 trainNetwork를 사용하는 워크플로보다 더 빠릅니다.

훈련된 DAGNetwork 객체를 dlnetwork 객체로 변환하려면 dag2dlnetwork 함수를 사용하십시오.

다음 표에서는 DAGNetwork 객체의 몇 가지 일반적인 사용법과 dlnetwork 객체 함수를 대신 사용하도록 코드를 업데이트하는 방법을 보여줍니다.

권장되지 않음	권장됨
Y = predict(net,X);	Y = minibatchpredict(net,X);
Y = classify(net,X);	scores = minibatchpredict(net,X); Y = scores2label(scores,classNames);
plot(net);	plot(net);
Y = activations(net,X,layerName);	Y = predict(net,X,Outputs=layerName);
[net,Y] = predictAndUpdateState(net,X);	[Y,state] = predict(net,X); net.State = state;
[net,Y] = classifyAndUpdateState(net,X);	[scores,state] = predict(net,X); Y = scores2label(scores,classNames); net.State = state;

참고 항목

dlnetwork | imagePretrainedNetwork | trainingOptions | trainnet | minibatchpredict | dag2dlnetwork | predict | scores2label | importKerasNetwork | plot | analyzeNetwork

도움말 항목

• MATLAB의 딥러닝
• GoogLeNet을 사용하여 영상 분류하기
• 영상 분류를 위해 잔차 신경망 훈련시키기
• Retrain Neural Network to Classify New Images
• 사전 훈련된 심층 신경망