ClassificationOutputLayer

分类层

展开所有页面

描述

分类层计算分类和具有互斥类的加权分类任务的交叉熵损失。

创建

使用备受创建分类层ClassificationLayer.．

特性

展开全部

分类输出

`ClassWeights`-类权值用于加权交叉熵损失
`'没有任何'`（默认）|正数矢量

加权交叉熵丢失的类重量，指定为正数的向量或'没有任何'．

对于向量类的权值，每个元素表示课堂财产。要指定类权重向量，还必须指定使用的类“类”．

如果是ClassWeights属性是'没有任何'，则该层应用未加权交叉熵损失。

`课堂`-输出层的类
`'汽车'`（默认）|分类载体|字符串数组|特区字符向量阵列

输出层的类，指定为分类向量、字符串数组、字符向量单元格数组或'汽车'．如果课堂是'汽车'，然后软件会在培训时间自动设置类。如果指定字符串数组或字符向量数组str，则软件将输出层的类设置为分类（str，str）．

数据类型：字符|分类|细绳|细胞

`输出`-输出大小
`'汽车'`（默认）|正整数

此属性是只读的。

输出的大小，指定为正整数。这个值是数据中标签的数量。在训练之前，输出大小设置为'汽车'．

`LossFunction`-训练损失函数
`'crossentropyex'`

此属性是只读的。

培训的损失函数，指定为'crossentropyex'，它代表交叉熵功能K.相互独家的课程．

层

`姓名`-图层名称
`''`（默认）|字符向量|字符串标量

层名，指定为字符向量或字符串标量。为层阵列输入，Trainnetwork.那assembleNetwork那layerGraph,dlnetwork.函数自动为层分配名称姓名设置''．

数据类型：字符|细绳

`NumInputs`-输入数量
`1`（默认）

此属性是只读的。

层的输入数。这一层只接受单个输入。

数据类型：双倍的

`输入名称`-输入名称
`{'在'}`（默认）

此属性是只读的。

输入层名。这一层只接受单个输入。

数据类型：细胞

`numoutputs.`-产出数量
0.（默认）

图层的输出次数。该图层没有输出。

数据类型：双倍的

`OutputNames`-输出名称
`｛｝`（默认）

输出层的名称。该图层没有输出。

数据类型：细胞

例子

全部收缩

创建分类层

打开生活的脚本

使用名称创建分类层'输出'．

tillay = classificationlayer（'姓名'那'输出'的）

tillay = scassificationOutputLayer具有属性：名称：'输出'类：'auto'类重量：'无'输出大小：'auto'hyperparameters lockfunction：'crossentropyex'

类中包含分类输出层层大批。

层= [......ImageInputLayer（[28 28 1]）卷积2dlayer（5,20）rululayer maxpooling2dlayer（2，'走吧'，2）全连接层（10）SoftMaxLayer分类层]

图层数组:1”的形象输入28 x28x1图像zerocenter正常化2”卷积20 5 x5旋转步[1]和填充[0 0 0 0]3”ReLU ReLU 4”马克斯池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

创建加权分类层

打开生活的脚本

为三个类创建加权分类层，其中包含名称“CAT”，“狗”和“鱼”，分别为0.7,0.2和0.1分别为0.7,0.2和0.1。

类= [“猫”“狗”“鱼”];Classweights = [0.7 0.2 0.1];tillay = classificationlayer（......“类”、类......'classweight'，同等级）

tillay = ClassificationOutputLayer带有属性：名称：''类：[Cat Dog Fish]类别重量：[3x1 Double]输出：3 HyperParameter损失：'crossentropyex'

在图层阵列中包括加权分类输出层。

numclasses = numel（类）;层= [......ImageInputLayer（[28 28 1]）卷积2dlayer（5,20）rululayer maxpooling2dlayer（2，'走吧'，2）全连接列（numclasses）softmaxlayer类层（“类”、类'classweight'，同等级）]

图层数组:1”的形象输入28 x28x1图像zerocenter正常化2”卷积20 5 x5旋转步[1]和填充[0 0 0 0]3”ReLU ReLU 4”马克斯池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与'cat'和其他两个类