Inicio / matlab 딥러닝 예제

matlab 딥러닝 예제

딥 러닝 Onramp 이 무료 2시간 딥 러닝 튜토리얼은 실용적인 딥 러닝 방법에 대한 대화형 소개를 제공합니다. 이미지 인식을 위해 MATLAB에서 딥 러닝 기술을 사용하는 방법을 배웁니다. 이 예제의 비디오를 보려면 MATLAB 코드 11줄의 딥 러닝을 참조하십시오. 딥 러닝의 다음 단계에서는 미리 학습된 네트워크를 다른 작업에 사용할 수 있습니다. 전송 학습 또는 기능 추출을 통해 이미지 데이터의 새로운 분류 문제를 해결합니다. 예를 들어 이전 학습을 사용하여 딥 러닝을 더 빠르게 시작하고 미리 학습된 네트워크에서 추출한 기능을 사용하여 분류자를 교육합니다. 미리 학습된 다른 네트워크를 사용하려면 미리 학습된 심층 신경망을 참조하십시오. ImageNet에서 학습된 다른 인기 있는 네트워크로는 알렉스넷, GoogLeNet, VGG-16 및 VGG-19 [3]이 있으며, 딥 러닝 툴박스에서 알렉스넷, 구글넷, vgg16 및 vgg19를 사용하여 로드할 수 있습니다™. 딥 러닝 워크플로우. 이미지는 CNN에 전달되어 기능을 자동으로 학습하고 개체를 분류합니다. MATLAB 코드 10줄의 학습 을 전사MATLAB에서 전송 학습을 사용하여 전문가가 만든 딥 러닝 네트워크를 재교육하는 방법을 알아보십시오. 컨볼루션 레이어가 많은 네트워크의 예입니다.

필터는 서로 다른 해상도로 각 학습 이미지에 적용되며, 각 컨브리티드 이미지의 출력은 다음 레이어에 대한 입력으로 사용됩니다. CNN의 각 레이어는 입력 이미지에 대한 응답 또는 활성화를 생성합니다. 그러나 CNN 내에는 이미지 피처 추출에 적합한 레이어가 몇 개밖에 없습니다. 네트워크 시작 부분에 있는 레이어는 가장자리 및 Blob과 같은 기본 이미지 기능을 캡처합니다. 이를 확인하려면 첫 번째 컨볼루션 레이어에서 네트워크 필터 가중치를 시각화합니다. 이렇게 하면 CNN에서 추출한 기능이 이미지 인식 작업에 매우 잘 작동하는 이유에 대한 직관을 구축하는 데 도움이 될 수 있습니다. 딥 러닝 툴박스™ deepDreamImage를 사용하여 더 깊은 레이어 가중치에서 피처를 시각화할 수 있습니다. 컨볼루션 신경망에는 딥 러닝 툴박스가 필요합니다. 3.0 이상의 컴퓨팅 기능을 갖춘 cUDA® GPU에서 교육 및 예측이 지원됩니다.

GPU를 사용하는 것이 권장되며 병렬 컴퓨팅 도구 상자™ 필요합니다. 네트워크 교육에 빠르게 참여할 수 있습니다. 오디오, 비디오 및 이미지 데이터를 위한 도메인별 앱으로 데이터 세트를 빠르게 전처리할 수 있습니다. Deep Network Designer 앱을 사용하여 교육 전에 문제를 시각화, 확인 및 수정하여 복잡한 네트워크 아키텍처를 만들거나 전송 학습을 위해 미리 학습된 네트워크를 수정합니다.