主要内容

ClassificationOutputLayer

分类层

扩展所有的页面

描述

一个分类层计算熵损失与互斥类分类和加权分类任务。

创建

创建一个分类层使用classificationLayer。

属性

全部展开

分类输出

类权重加权熵损失,积极的数字或指定为一个向量“没有”。

为权重向量类,每个元素代表的重量对应的类类财产。指定一个类权重向量,您还必须指定使用的类“类”。

如果ClassWeights属性是“没有”层,然后应用未加权的熵的损失。

输出层的类,指定为一个分类向量,字符串数组,单元阵列的特征向量,或“汽车”。如果类是“汽车”,然后在训练时软件自动设置类。如果指定的字符串数组或单元阵列特征向量str,然后输出层的软件设置类分类(str, str)。

数据类型:字符|分类|字符串|细胞

这个属性是只读的。

输出的大小,指定为一个正整数。这个值是标签的数据的数量。在培训之前,输出大小设置“汽车”。

这个属性是只读的。

损失函数为培训,指定为“crossentropyex”,这代表交叉熵函数k互斥类。

层

图层名称,指定为一个特征向量或字符串标量。为层数组输入,trainNetwork,assembleNetwork,layerGraph,dlnetwork函数自动分配名称层的名称”。

数据类型:字符|字符串

这个属性是只读的。

输入层的数量。这一层只接受一个输入。

数据类型:双

这个属性是只读的。

输入层的名称。这一层只接受一个输入。

数据类型:细胞

输出层的数量。层没有输出。

数据类型:双

输出层的名称。层没有输出。

数据类型:细胞

例子

全部折叠

打开生活的脚本

创建一个分类图层名称“输出”。

层= classificationLayer (“名字”,“输出”)
层= ClassificationOutputLayer属性:名称:“输出”类:“汽车”ClassWeights:“没有一个”OutputSize:‘汽车’Hyperparameters LossFunction:“crossentropyex”

包括一个分类输出层层数组中。

层= […imageInputLayer([1] 28日28日)convolution2dLayer (5、20) reluLayer maxPooling2dLayer (2“步”,2)fullyConnectedLayer (10) softmaxLayer classificationLayer]
层= 7 x1层与层:数组1”的形象输入28 x28x1图像zerocenter正常化2”二维卷积20 5 x5旋转步[1]和填充[0 0 0 0]3”ReLU ReLU 4”二维最大池2 x2马克斯池步(2 - 2)和填充[0 0 0 0]5“完全连接10完全连接层6”Softmax Softmax crossentropyex 7”分类输出
打开生活的脚本

创建一个加权分类层三个类的名称“猫”,“狗”和“鱼”,重量0.7,0.2,和0.1,分别。

类= [“猫”“狗”“鱼”];classWeights = (0.7 0.2 0.1);层= classificationLayer (…“类”、类…“ClassWeights”classWeights)
层= ClassificationOutputLayer属性:名称:“类:[猫狗鱼]ClassWeights: x1双[3]OutputSize: 3 Hyperparameters LossFunction:“crossentropyex”

包括一个加权分类输出层在一层数组中。

numClasses =元素个数(类);层= […imageInputLayer([1] 28日28日)convolution2dLayer (5、20) reluLayer maxPooling2dLayer (2“步”2)fullyConnectedLayer (numClasses) softmaxLayer classificationLayer (“类”、类“ClassWeights”classWeights))
层= 7 x1层与层:数组1”的形象输入28 x28x1图像zerocenter正常化2”二维卷积20 5 x5旋转步[1]和填充[0 0 0 0]3”ReLU ReLU 4”二维最大池2 x2马克斯池步(2 - 2)和填充[0 0 0 0]5“完全连接3完全连接层6”Softmax Softmax 7”分类输出类加权crossentropyex 2“猫”和其他的类

更多关于

全部展开

引用

[1]主教,c . M。模式识别和机器学习。施普林格,纽约,纽约,2006年。

版本历史

介绍了R2016a

全部展开

另请参阅

|

主题