このページの翻訳は最新ではありません。ここをクリックして,英語の最新版を参照してください。
ネットワークアーキテクチャを定義し,ネットワークにゼロから学習させて,イメージの分類タスクと回帰タスク用の深いネットワークを新しく作成します。転移学習を使用して,事前学習済みのネットワークによって提供される知識を活用し,新しいデータの新しいパターンを学習することもできます。通常は,転移学習によって事前学習済みのイメージ分類ネットワークを微調整する方が,ゼロから学習させるよりもはるかに簡単で時間がかかりません。事前学習済みの深いネットワークを使用すると,数百万のイメージや強力なGPUを用意して新しいネットワークの定義と学習を行うことなく,新しいタスクを高速に学習できます。
ネットワークアーキテクチャを定義した後,関数trainingOptions
を使用して学習パラメーターを定義しなければなりません。その後,trainNetwork
を使用してネットワークに学習させることができます。学習済みネットワークを使用して,クラスラベルまたは数値応答を予測します。
畳み込みニューラルネットワークの学習は,1つのCPUまたはGPUで,複数のCPUまたはGPUで,あるいはクラスターまたはクラウドで並列に行えます。1つのGPUまたは並列で学習させる場合は,并行计算工具箱™が必要です。GPUを使用するには,以3.0计算能力上のCUDA®対応英伟达®GPUが必要です。関数trainingOptions
を使用して,実行環境を指定します。
ディープネットワークデザイナー | 深層学習ネットワークの設計,可視化,および学習 |
ConfusionMatrixChart属性 | 混淆矩阵图的外观和行为 |
この例では,事前学習済みの深層畳み込みニューラルネットワークGoogLeNetを使用してイメージを分類する方法を説明します。
この例では,事前学習済みの深層畳み込みニューラルネットワークGoogLeNetを使用して,Webカメラのイメージをリアルタイムで分類する方法を説明します。
新しいイメージ分類タスクを学習するように,事前学習済みの深層学習ネットワークを対話形式で微調整します。
この例では,転移学習を使用して,畳み込みニューラルネットワークの再学習を行い,新しい一連のイメージを分類する方法を説明します。
この例では,事前学習済みの畳み込みニューラルネットワークから学習済みのイメージの特徴を抽出し,これらの特徴を使用してイメージ分類器に学習させる方法を説明します。
この例では,事前学習済みのGoogLeNet畳み込みニューラルネットワークを微調整して,新しいイメージコレクションの分類を実行する方法を説明します。
分類,転移学習,特徴抽出用の事前学習済みの畳み込みニューラルネットワークのダウンロード方法と使用方法を学習します。
この例では,深層学習による分類用のシンプルな畳み込みニューラルネットワークを作成し,学習を行う方法を説明します。
深層学習ネットワークを対話形式で構築および編集します。
この例では,畳み込みニューラルネットワークを使用して回帰モデルにあてはめ,手書きの数字の回転角度を予測する方法を示します。
MATLAB®のすべての深層学習層を確認できます。
畳み込みニューラルネットワーク(事先)の層と,それらが事先に現れる順序について学習します。
ディープネットワークデザイナーからのMATLABコードの生成
ディープネットワークデザイナーでネットワークの設計と学習を再作成するMATLABコードを生成する。
この例では,残差結合のある深層学習ニューラルネットワークを作成し,CIFAR-10データで学習を行う方法を説明します。
この例では,深層学習による特徴データ分類用のシンプルなニューラルネットワークを作成し,学習を行う方法を説明します。
複数の入力または複数の出力がある深層学習ネットワークの定義と学習を行う方法を学びます。
この例では,敵対的生成ネットワーク(GAN)に学習させてイメージを生成する方法を説明します。
この例では,条件付き敵対的生成ネットワーク(CGAN)に学習させてイメージを生成する方法を説明します。
この例では,あるイメージのスタイルを転送して第2のイメージにするネットワークの学習方法を示します。
この例では,アテンションを使用したイメージキャプション生成のために深層学習モデルを学習させる方法を説明します。
この例では,カスタム学習率スケジュールで手書きの数字を分類するネットワークに学習させる方法を示します。
この例では,手書きの数字のラベルと回転角度の両方を予測する,複数の出力をもつ深層学習ネットワークに学習させる方法を説明します。
この例では,シャムネットワークに学習させて類似した手書き文字のイメージを特定する方法を説明します。
この例では,ディープネットワークデザイナーでカスタム重み付き分類層をインポートし,それを事前学習済みのネットワークに追加する方法を示します。
ディープネットワークデザイナーでのimage-to-image回帰
この例では,ディープネットワークデザイナーを使用して,超解像用のimage-to-image回帰ネットワークの構築と学習を行う方法を示します。
畳み込みニューラルネットワークを使用して分類や回帰を行うMATLABの深層学習機能を確認します。これには,事前学習済みのネットワークと転移学習のほか,CPU、GPU,クラスター,およびクラウドでの学習が含まれます。
畳み込みニューラルネットワークの学習パラメーターの設定方法を学習します。
学習,予測,および分類用にイメージのサイズを変更する方法と,データ拡張,変換,および専用のデータストアを使用してイメージを前処理する方法を学びます。
ボリュームイメージとラベルデータを読み取り,3次元深層学習向けに前処理します。
深層学習アプリケーションでデータストアを使用する方法を学びます。
この例では,学習済み分類ネットワークを回帰ネットワークに変換する方法を説明します。
深層学習ネットワークの精度を改善する方法を学習します。
さまざまな深層学習タスク用のデータセットを確認。
ディープネットワークデザイナーでデータをインポートして可視化する。