主要内容

focalCrossEntropy

计算焦点交叉熵损失

折叠所有页面

语法

dlY = focalCrossEntropy(dlX，目标)
dlY = focalCrossEntropy(dlX,targets，'DataFormat'，FMT)
ly = focalCrossEntropy(___、名称、值)

描述

例子

海底= focalCrossEntropy (dlX，目标）计算单标签和多标签分类任务的网络预测和目标值之间的焦点交叉熵。这些类是互斥的类。焦点交叉熵损失侧重于分类较差的训练样本，而忽略分类良好的样本。焦点交叉熵损失计算为平均对数损失除以非零目标的数量。

例子

海底= focalCrossEntropy (dlX，目标、“DataFormat”FMT)还指定维度格式FMT当dlX不是格式化的dlarray．

例子

海底= focalCrossEntropy (___，名称,值）除以前语法中的输入参数外，还使用一个或多个名称-值对参数指定选项。例如,“TargetCategories”、“独立”计算多标签分类任务的交叉熵损失。

例子

全部折叠

这个例子使用了:

打开实时脚本

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”）;

这个例子使用了:

打开实时脚本

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

这个例子使用了:

打开实时脚本

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

全部折叠

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”

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。

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．

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

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”．

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

全部折叠

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

|(深度学习工具箱)|(深度学习工具箱)|(深度学习工具箱)|(深度学习工具箱)

主题