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。
イメージを使用した深層学習
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、Parallel Computing Toolbox™ が必要です。GPU を使用するには、サポートされている GPU デバイスが必要です (サポートされているデバイスについては、リリース別の GPU サポート(Parallel Computing Toolbox)を参照してください)。関数trainingOptions
を使用して、実行環境を指定します。
アプリ
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 |
関数
ブロック
プロパティ
ConfusionMatrixChart Properties | Confusion matrix chart appearance and behavior |
例および操作のヒント
事前学習済みのネットワークの使用
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。
この例は事前学习済みの深层畳み込みネットワークネットワークネットワークネットワークネットワークをををを,,,,,,カメラカメラカメラカメライメージイメージをリアルタイムタイムでで分类
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。
新しい深いネットワークの作成
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を当てはめ、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 (ConvNet) の層と、それらが ConvNet 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,をした生成のに深层学习モデルをを学习させるせる方法说明说明说明
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。
ディープ ネットワーク デザイナーへのカスタム層のインポート
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。
概念
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、GPU、CPU、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。
さまざまな学习用のセットを确认。
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。