文件帮助中心文件
Classnames.
分类层
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。
使用备受创建分类层ClassificationLayer..
ClassificationLayer.
展开全部
ClassWeights
'没有任何'
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”.
课堂
“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。
'汽车'
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).
str
分类(str,str)
数据类型:字符|分类|细绳|细胞
字符
分类
细绳
细胞
输出
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
'crossentropyex'
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.
姓名
''
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''.
层
Trainnetwork.
assembleNetwork
layerGraph
dlnetwork.
数据类型:字符|细绳
NumInputs
1
层的输入数。这一层只接受单个输入。
数据类型:双倍的
双倍的
输入名称
{'在'}
输入层名。这一层只接受单个输入。
数据类型:细胞
numoutputs.
图层的输出次数。该图层没有输出。
OutputNames
{}
输出层的名称。该图层没有输出。
全部收缩
使用名称创建分类层'输出'.
'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
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
对于典型的分类网络,分类层通常遵循Softmax层。在分类层中,Trainnetwork.从SoftMax函数中获取值,并将每个输入分配给其中一个K.使用跨熵函数的相互排斥的类,用于1-of-K.编码方案[1]:
损失 = - 1 N. σ. N. = 1 N. σ. 一世 = 1 K. W. 一世 T. N. 一世 ln y N. 一世 那
在哪里N.是样本数量,K.是课程的数量, W. 一世 是课堂的重量一世那 T. N. 一世 是指的指标N.样本属于一世th类, y N. 一世 输出的是样品吗N.为类一世,本例中为softmax函数的值。换句话说, y N. 一世 网络关联的概率是多少N.用课堂输入一世.
不推荐在R2018B中开始
Classnames.将被删除。用课堂反而。要更新代码,请更换所有实例Classnames.和课堂.需要对代码进行额外更新的属性之间存在一些差异。
这Classnames.输出层的属性是字符向量的单元格阵列。这课堂属性是一个分类数组。使用价值课堂使用需要单元阵列输入的函数,使用该功能使用该类Cellstr.功能。
Cellstr.
[1]毕晓普模式识别和机器学习.施普林格,纽约,纽约,2006。
回归|softmaxlayer.
回归
softmaxlayer.
Si Dispoone di Una Vewspee Modififata di Questo Esempio。Desideri Aprire Questo Esempio Con Le Tue Modifiche?
Hai fatto clic su un collegamento che corto comando MATLAB:
esegui il comando inserendolo nella finestra di comando matlab。我浏览Web非Spectsano i金宝app Comandi Matlab。
选择一个网站,以便在可用的地方进行翻译内容,并查看本地活动和优惠。根据您的位置,我们建议您选择:.
你也可以从以下列表中选择一个网站:
选择中国网站(以中文或英文)以获得最佳网站性能。其他MathWorks国家网站未优化您所在地的访问。
联系您当地的办公室