文档帮助中心文档
classNames
分类层
分类层通过相互排斥类计算分类和加权分类任务的跨凝结损失。
使用分类器。
分类器
展开全部
班级重量
'没有任何'
加权交叉透镜损失的班级权重,指定为正数的向量或'没有任何'。
对于向量类权重,每个元素代表相应类的权重课程财产。要指定类权重的向量,您还必须使用“课”。
课程
“课”
如果是班级重量属性是'没有任何',然后该层施加未加权的横向渗透损失。
'汽车'
输出层的类,指定为分类向量,字符串数组,字符向量的单元格数或'汽车'。如果课程是'汽车',然后该软件在培训时间自动设置类。如果指定字符串数组或字符向量的单元格数组str,然后该软件将输出层的类设置为分类(str,str)。
str
分类(str,str)
数据类型:char|分类|细绳|细胞
char
分类
细绳
细胞
输出尺寸
此属性仅阅读。
输出的大小,指定为正整数。该值是数据中的标签数。在培训之前,将输出尺寸设置为'汽车'。
损失功能
“ Crossentropyex”
培训的损失功能,指定为“ Crossentropyex”,代表交叉熵功能k相互排斥的类。
姓名
''
图层名称,指定为字符向量或字符串标量。为了层数组输入,火车网,,,,汇编工作,,,,LayerGraph, 和dlnetwork功能自动将名称分配给图层姓名调成''。
层
火车网
汇编工作
LayerGraph
dlnetwork
数据类型:char|细绳
numInputs
1
该层的输入数量。该层仅接受单个输入。
数据类型:双倍的
双倍的
输入名
{'在'}
层的输入名称。该层仅接受单个输入。
数据类型:细胞
numOutputs
层的输出数。该层没有输出。
输出名称
{}
层的输出名称。该层没有输出。
全部收缩
创建一个名称的分类层'输出'。
'输出'
layer = ClassificationLayer('姓名',,,,'输出')
layer =分类图层属性:名称:'输出'类:'auto'classWeights:'none'''''''''outo'auto'超参数损失函数:'CrossentRopyex'
将分类输出层包含在层大批。
层= [...imageInputlayer([28 28 1])卷积2Dlayer(5,20)Relulayer MaxPooling2Dlayer(2,“大步”,2)完整连接的layerer(10)SoftMaxlayer分类器]
层= 7x1层阵列,带有层:1''图像输入28x28x1图像,带有“ zerecenter”归一化2''卷积20 5x5卷积[1 1]和填充[0 0 0 0 0 0] 3''relu 4'relu 4''max max合并2x2 max plies [2 2]和填充[0 0 0 0] 5''完全连接10完全连接的层6''softmax softmax 7''分类crossentropyex
为三个类别创建一个具有“猫”,“狗”和“鱼”的加权分类层,分别为0.7、0.2和0.1。
class = [“猫”“狗”“鱼”];classWeights = [0.7 0.2 0.1];layer = ClassificationLayer(...“课”,课,...'classWights',班级)
layer =属性的分类图:名称:''类:[猫狗鱼] class重量:[3x1 double] outputsize:3超参数损失函数:'CrossentRopyex'
将加权分类输出层包含在层阵列中。
numClasses = numel(class);层= [...imageInputlayer([28 28 1])卷积2Dlayer(5,20)Relulayer MaxPooling2Dlayer(2,“大步”,2)完整连接的layerer(numClasses)SoftMaxlayer分类器(“课”,课,'classWights',班级)]]
层= 7x1层阵列,带有层:1''图像输入28x28x1图像,带有“ zerecenter”归一化2''卷积20 5x5卷积[1 1]和填充[0 0 0 0 0 0] 3''relu 4'relu 4''max max合并2x2 max池层次[2 2]和填充[0 0 0 0] 5''完全连接3完全连接的层6''softmax softmax 7''分类输出class类加权crossentropyex,带有“ cat”和2个类别
对于典型的分类网络,分类层通常遵循SoftMax层。在分类层中,火车网从SoftMax函数中获取值,并将每个输入分配给其中一个k使用交叉熵函数的相互排斥类用于1k编码方案[1]:
失利 = - 1 n ∑ n = 1 n ∑ 一世 = 1 k w 一世 t n 一世 Ln y n 一世 ,,,,
在哪里n是样本的数量,k是类的数量, w 一世 是班级的体重一世,,,, t n 一世 是指示n样本属于一世班级, y n 一世 是样品的输出n上课一世在这种情况下,这是SoftMax函数的值。换句话说, y n 一世 网络关联的概率是n班级输入一世。
不建议从R2018B开始
classNames将被删除。利用课程反而。要更新您的代码,请替换所有实例classNames和课程。属性之间存在一些差异,需要对您的代码进行其他更新。
这classNames输出层的属性是字符向量的单元格数组。这课程属性是一个分类数组。使用的值课程使用需要单元格数输入的功能,请使用Cellstr功能。
Cellstr
[1] Bishop,C。M.模式识别和机器学习。纽约州施普林格,纽约,2006年。
回归层|SoftMaxlayer
回归层
SoftMaxlayer
您有此示例的修改版本。您想用您的编辑打开这个示例吗?
您单击了与此MATLAB命令相对应的链接:
通过在MATLAB命令窗口中输入该命令。Web浏览器不支持MATLAB命令。金宝app
选择一个网站以获取可用的翻译内容,并查看本地事件和优惠。根据您的位置,我们建议您选择:。
您还可以从以下列表中选择一个网站:
选择中国网站(中文或英语)以获得最佳场地性能。其他Mathworks乡村网站未针对您所在的访问进行优化。
联系您当地的办公室