focalCrossEntropy
计算焦点交叉熵损失
语法
描述
例子
使用格式化计算焦点交叉熵损失dlarray
将输入分类数据创建为属于10个类或类别的随机变量的32个观察值。
numCategories = 10;观察值= 32;X = rand(numCategories,观察值);
创建一个格式化的深度学习数组,该数组具有带有标签的数据格式“C”
而且“B”
.
dlX = dlarray(X,“CB”);
使用softmax
函数将输入数据中的所有值设置为之间的值0
而且1
这个和等于1
通过所有渠道。这些值指定了每个观察结果属于特定类别的概率。
dlX = softmax(dlX);
将目标数据创建为未格式化的深度学习数组,其中包含dlX中每个观察的正确类别。将属于第二类的目标设置为one-hot编码向量。
目标= dlarray(零(numCategories,观测));目标(2,:)= 1;
计算每个预测和目标之间的焦点交叉熵损失。
德利= focalCrossEntropy(dlX,目标,“还原”,“没有”);
使用未格式化计算平均焦点交叉熵损失dlarray
将输入分类数据创建为属于10个类或类别的随机变量的32个观察值。
numCategories = 10;观察值= 32;X = rand(numCategories,观察值);
创建一个非格式化的深度学习数组。
dlX = dlarray(X);
使用softmax
函数将输入数据中的所有值设置为之间的值0
而且1
这个和等于1
通过所有渠道。这些值指定了每个观测值属于特定类别的概率。
dlX = softmax(dlX,“DataFormat”,“CB”);
创建目标数据。将属于第二类的目标设置为one-hot编码向量。
目标=零(numCategories,观测值);目标(2,:)= 1;
计算在预测和目标之间计算的焦点交叉熵损失的平均值。
德利= focalCrossEntropy(dlX,目标,“DataFormat”,“CB”)
dlY = 1x1 dlarray 0.4769
计算多标签分类的平均焦点交叉熵损失
将输入分类数据创建为属于10个类或类别的随机变量的32个观察值。
numCategories = 10;观察值= 32;X = rand(numCategories,观察值);
创建一个格式化的深度学习数组,其数据格式为“C”和“B”。
dlX = dlarray(X,“CB”);
使用乙状结肠
函数将输入数据中的所有值设置为之间的值0
而且1
这个和等于1
通过所有渠道。这些值指定了每个观察结果属于特定类别的概率。
dlX = sigmoid(dlX);
创建目标数据,其中包含中每个观察的正确类别dlX
.将属于第二类和第六类的目标设置为one-hot编码向量。
目标=零(numCategories,观测值);目标(2,:)= 1;目标(6,:)= 1;
计算在预测和目标之间计算的焦点交叉熵损失的平均值。设置'TargetCategories
“价值到”独立的
’用于多标签分类。
德利= focalCrossEntropy(dlX,目标,“TargetCategories”,“独立”)
dlY = 1x1 dlarray 2.4362
输入参数
dlX
- - - - - -预测
dlarray
|数字数组
预测,指定为adlarray
带或不带维度标签或数字数组。当dlX
不是格式化的dlarray
,则必须指定尺寸格式FMT, DataFormat”
.如果dlX
是数值数组,目标
一定是dlarray
.
数据类型:单
|双
目标
- - - - - -目标分类标签
dlarray
|数字数组
目标分类标签,指定为格式化或非格式化dlarray
或者一个数字数组。
如果目标
是格式化的dlarray
时,其维度格式必须与的格式一致dlX
,或与“DataFormat”
如果dlX
是无格式
如果目标
是未格式化的dlarray
或数值数组,大小为目标
必须完全匹配的大小dlX
.的格式dlX
或者是“DataFormat”
隐式地应用于目标
.
数据类型:单
|双
名称-值参数
指定可选参数对为Name1 = Value1,…,以=家
,在那里的名字
参数名称和价值
对应的值。名称-值参数必须出现在其他参数之后,但对的顺序无关紧要。
在R2021a之前,使用逗号分隔每个名称和值,并将其括起来的名字
在报价。
例子:“TargetCategories”、“独立”、“DataFormat”、“CB”
评估多标签分类任务的焦点交叉熵损失,并指定输入数据的维度顺序为“CB”
γ
- - - - - -集中参数
0.25(默认)|正实数
焦距损失函数的聚焦参数,指定为由逗号分隔的对组成“伽马”
一个正实数。增加价值γ
提高网络对错误分类观测的敏感性。
α
- - - - - -平衡参数
2(默认)|正实数
焦点损失函数的平衡参数,指定为由逗号分隔的对组成“α”
一个正实数。的α
值线性缩放损失函数,通常设置为0.25
.如果你减少α
,增加γ
.
减少
- - - - - -输出损失类型
'的意思是
'(默认)|'没有一个
'
输出损失类型,指定为逗号分隔的对,由“还原”
和以下其中之一:
“的意思是”
-每个预测的输出损失的平均值。该函数计算为输入中的每个预测计算的损失值的平均值dlX
.该函数返回未格式化的平均损失dlarray
.在计算平均损耗时,不包括信道维度上所有目标值为零的观测值。“没有”
-每个预测的输出损失。函数返回中每个观测值的损失值dlX
.用于计算焦点交叉熵损失的样本中也包含了在信道维度上目标值均为零的观测值。如果dlX
是格式化的dlarray
、输出海底
是格式化的dlarray
尺寸标签相同dlX
.如果dlX
是未格式化的dlarray
、输出海底
是未格式化的dlarray
.
默认值为“的意思是”
.
例子:“减少”,“的意思是”
数据类型:字符
|字符串
TargetCategories
- - - - - -分类任务类型
“独家”
(默认)|“独立”
分类任务的类型,指定为逗号分隔的对,由“TargetCategories”
和以下其中之一:
“独家”
—单标签分类。预测中的每一个观察结果dlX
只分配给一个类别。“独立”
—多标签分类。预测中的每一个观察结果dlX
可以被分配到一个或多个独立的类别。
默认值为“独家”
.
DataFormat
- - - - - -未格式化数据的维度顺序
字符数组|字符串
未格式化输入数据的维度顺序,指定为由逗号分隔的对组成的“DataFormat”
和字符数组或字符串FMT
它为数据的每个维度提供了一个标签。中的每个字符FMT
必须是以下其中之一:
“年代”
——空间“C”
——频道“B”
-批次(例如,样品和观察)“T”
-时间(例如,序列)“U”
——未指明的
您可以指定多个有标记的维度“年代”
或“U”
.你可以使用标签“C”
,“B”
,“T”
最多一次。
您必须指定“DataFormat”
当输入数据时dlX
不是格式化的dlarray
.
例子:“DataFormat”、“SSCB”
数据类型:字符
|字符串
输出参数
海底
-焦点交叉熵损失
dlarray
标量
焦点交叉熵损失,返回为adlarray
没有维度标签的标量。输出海底
具有与输入相同的底层数据类型dlX
.
版本历史
R2020b中介绍
另请参阅
focalLossLayer
|softmax
(深度学习工具箱)|乙状结肠
(深度学习工具箱)|crossentropy
(深度学习工具箱)|均方误差
(深度学习工具箱)
主题
- 利用PointPillars深度学习的激光雷达三维目标检测(激光雷达工具箱)
Abrir比如
Tiene una versión modificada de este ejemplo。¿Desea abrir este ejemplo con sus modificaciones?
MATLAB突击队
Ha hecho clic en unenlace que对应一个este commando de MATLAB:
弹射突击队introduciéndolo en la ventana de commandos de MATLAB。Los navegadores web no permission comandos de MATLAB。
您也可以从以下列表中选择一个网站:
如何获得最佳的网站性能
选择中国站点(中文或英文)以获得最佳站点性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。