深層学習とは

"深層学習"とは、人間が生まれながらに身に付けている、経験から学ぶという行動をするようにコンピューターに学習させる機械学習の一分野です。機械学習アルゴリズムは、事前に定義された方程式をモデルとして使用するのではなく、計算法を使用して情報をデータから直接 "学習" します。深層学習は画像認識に特に適しており、顔認識、動き検出などの問題のほか、自動運転、車線検出、歩行者検出、自動駐車などの先進運転者支援技術の多くが抱える問題を解決するために重要です。

深度学习工具箱™ には、深層ニューラル ネットワークの層の作成と相互結合を行うためのシンプルな MATLAB软件^®コマンドが用意されています。例と事前学習済みのネットワークを利用すると、高度なコンピューター ビジョン アルゴリズムやニューラル ネットワークの知識がなくても、MATLAB软件を使用して簡単に深層学習を行うことができます。

実際の深層学習の各種手法を無料でお試しいただくには、ディープ ラーニング入門をご覧ください。

自動運転などの深層学習の応用分野の詳細は、深層学習の応用を参照してください。

事前学習済みのネットワークを使用するか、新しい深いネットワークを作成するか、この表のシナリオを検討して選択してください。

詳細については、ネットワーク アーキテクチャの選択を参照してください。

深層学習はニューラル ネットワークを使用して、有用な特徴表現をデータから直接学習します。ニューラル ネットワークとは、複数の非線形処理層を組み合わせであり、生物の神経系からヒントを得た並列実行するシンプルな要素を使用します。深層学習モデルは、オブジェクトの分類において最先端の精度を達成でき、しばしば人間の能力を超えることがあります。

モデルの学習は、ラベル付けされた大規模なデータセットと、通常は複数の畳み込み層を含む多くの層から成るニューラル ネットワーク アーキテクチャを使用して行います。これらのモデルの学習は計算量が多くなります。通常は、高性能の 图形处理器を使用して学習時間を短縮できます。次の図は、畳み込みニューラル ネットワークが多くのイメージから特徴を自動的に学習する層をどのように組み合わせて新しいイメージを分類しているかを示しています。

多くの深層学習アプリケーションは、イメージ ファイルを使用します。場合によっては、数百万枚のイメージ ファイルを使用することもあります。深層学習用の多くのイメージ ファイルに効率的にアクセスするために、MATLAB软件には関数图像数据存储が用意されています。この関数を使用して、以下が行えます。

10行のMATLAB软件コードによる深層学習の例

この例では、わずか 10行の MATLAB软件コードを使用して、深層学習でライブ 网状物カメラに映ったオブジェクトを特定する方法を説明します。この例を試して、MATLAB软件でどれほど簡単に深層学習を始めることができるか確認してください。

転移学習を使用した短時間での深層学習の開始

転移学習は、深層学習アプリケーションでよく使用されています。事前学習済みのネットワークを取得して、新しいタスクの学習の開始点として使用できます。転移学習によって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。少ない数の学習イメージを使用して、ネットワークに新しいタスクを高速に学習させることができます。転移学習の利点は、事前学習済みのネットワークが既に特徴を多数学習しており、これらの特徴を他のさまざまな類似タスクに適用できることです。

たとえば、数千枚または数百万枚のイメージで学習したネットワークを利用する場合、わずか数百枚のイメージを使って再学習させることで、新しいオブジェクトを検出できるようになります。元の学習データと比べて非常に小規模なデータセットを使用して、事前学習済みのネットワークを効果的に微調整できます。データセットが非常に大規模な場合、転移学習は新しいネットワークが学習する場合に比べて速くならない可能性があります。

転移学習には以下の利点があります。

対話形式での例については、ディープ ネットワーク デザイナーを使用した転移学習を参照してください。

プログラムによる例については、新しいイメージを分類するための深層学習ネットワークの学習を参照してください。

事前学習済みのネットワークから抽出された特徴を使用した分類器の学習

特徴抽出では、学習に時間や手間をかけずに事前学習済みのネットワークの能力を活用できます。特徴抽出は、最も早く深層学習を使用できる方法と言えます。事前学習済みのネットワークから学習済みの特徴を抽出し、これらの特徴をサポート ベクター マシン (统计与机器学习工具箱™ が必要) などの分類器の学習に使用することができます。たとえば、亚历克斯内特を使用して学習させた 支持向量机が、学習セットと検証セットで 90% を超える精度を達成できる場合、それ以上の精度を実現するために転移学習を使用して微調整することに労力に見合う価値はないかもしれません。小規模なデータセットで微調整を行うと、過適合のリスクも生じます。支持向量机の適用によって十分な精度を達成できない場合は、精度を向上させる微調整を行うだけの価値があります。

例については、事前学習済みのネットワークを使用したイメージの特徴の抽出を参照してください。

CPU、GPU並列、およびクラウドでのビッグ データを使用した深層学習

ニューラル ネットワークは本質的に並列アルゴリズムです。この並列性の利点を活かし、并行计算工具箱™ を使用して、学習をマルチコア 中央处理器グラフィックス処理装置 (GPU）および複数の 中央处理器と 图形处理器を備えたコンピューターのクラスターに分散させることができます。

深いネットワークの学習は計算量が非常に多くなります。通常は、高性能の 图形处理器を使用して学習時間を短縮できます。適切な 图形处理器がない場合は、代わりに 1.つ以上の 中央处理器コアで学習させることができます。畳み込みニューラル ネットワークの学習は、1.つの 图形处理器または 中央处理器で、複数の 图形处理器または 中央处理器コアで、あるいはクラスターで並列に行えます。图形处理器または並列オプションを使用するには 并行计算工具箱が必要です。

大きすぎてメモリに収まらないデータセットを使用して問題を解決するために、複数のコンピューターは必要ありません。関数图像数据存储を使用して、マシンのクラスターを使用せずに、データのバッチを処理できます。ただし、利用できるクラスターがある場合は、コードをデータ リポジトリに入れる方が、大量のデータをあちこちに移動させるよりも有効なことがあります。

深層学習のハードウェアおよびメモリ設定の詳細は、图形处理器および並列でのビッグ データを使用した深層学習を参照してください。