主要内容

classificationLayer

分类输出层

所有的页面崩溃

语法

层= classificationLayer
层= classificationLayer(名称、值)

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。

层推断类的数量从上一层的输出大小。例如,指定类的数量K网络的,你可以包括一个完全连接层与输出大小K之前和一个softmax层分类层。

层= classificationLayer创建一个分类层。

例子

层= classificationLayer (名称,值)设置可选的名字,ClassWeights,类使用一个或多个属性名称-值对。例如,classificationLayer(“名字”,“输出”)创建一个分类层的名字“输出”。

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

输入参数

全部折叠

名称-值参数

指定可选的双参数作为Name1 = Value1,…,以=家,在那里的名字参数名称和吗价值相应的价值。名称-值参数必须出现在其他参数,但对的顺序无关紧要。

R2021a之前,用逗号来分隔每一个名称和值,并附上的名字在报价。

例子:classificationLayer(“名字”,“输出”)创建一个分类层的名字“输出”

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

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

输出参数

全部折叠

分类层,作为一个返回ClassificationOutputLayer对象。

有关连接的信息层构造卷积神经网络架构,明白了层。

更多关于

全部折叠

分类层

一个分类层计算熵损失与互斥类分类和加权分类任务。

对于典型的分类网络,分类层通常遵循softmax层。在分类层,trainNetwork的值将softmax功能和分配每个输入的K互斥类为1——使用交叉熵函数K编码方案[1]:

损失 = − 1 N ∑ n = 1 N ∑ 我 = 1 K w 我 t n 我 ln y n 我 ,

在哪里N样品的数量,K类的数量, w 我 是类的重量吗我, t n 我 的指标吗n样品属于我th类, y n 我 是输出样本吗n为类我在这种情况下,它是将softmax函数的值。换句话说, y n 我 的概率是网络的同事吗nth输入与类我。

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。

扩展功能

C / c++代码生成
生成C和c++代码使用MATLAB®编码器™。

GPU的代码生成
生成NVIDIA的CUDA®代码®GPU使用GPU编码器™。

版本历史

介绍了R2016a

另请参阅

||||

主题