主要内容

이 번역 페이지는 최신 내용을 담고 있지 않습니다. 최신 내용을 영문으로 보려면 여기를 클릭하십시오.

classificationLayer

분류 출력 계층

페이지 내 모두 축소

구문

layer = classificationLayer
layer = classificationLayer(Name,Value)

설명

분류 계층은 상호 배타적인 클래스로의 분류 및 가중 분류 작업에서 교차 엔트로피 손실을 계산합니다.

이 계층은 이전 계층의 출력 크기로부터 클래스의 개수를 추정합니다. 예를 들어, 신경망의 클래스 개수 K를 지정하려면 분류 계층 앞에 출력 크기가 K인 완전 연결 계층 1개, 그리고 소프트맥스 계층 1개를 삽입하면 됩니다.

layer= classificationLayer는 분류 계층을 만듭니다.

예제

layer= classificationLayer(Name,Value)는 하나 이상의 이름-값 쌍을 사용하여 선택적으로Name,ClassWeights,Classes속성을 설정합니다. 예를 들어,classificationLayer('Name','output')은 이름이'output'인 분류 계층을 만듭니다.

예제

모두 축소

라이브 스크립트 열기

이름이'output'인 분류 계층을 만듭니다.

layer = classificationLayer('Name','output')
layer = ClassificationOutputLayer with properties: Name: 'output' Classes: 'auto' ClassWeights: 'none' OutputSize: 'auto' Hyperparameters LossFunction: 'crossentropyex'

Layer배열에 분류 출력 계층을 삽입합니다.

layers = [...imageInputLayer([28 28 1]) convolution2dLayer(5,20) reluLayer maxPooling2dLayer(2,'Stride',2) fullyConnectedLayer(10) softmaxLayer classificationLayer]
layers = 7x1 Layer array with layers: 1 '' Image Input 28x28x1 images with 'zerocenter' normalization 2 '' Convolution 20 5x5 convolutions with stride [1 1] and padding [0 0 0 0] 3 '' ReLU ReLU 4 '' Max Pooling 2x2 max pooling with stride [2 2] and padding [0 0 0 0] 5 '' Fully Connected 10 fully connected layer 6 '' Softmax softmax 7 '' Classification Output crossentropyex
라이브 스크립트 열기

이름이 "cat", "dog", "fish"이고 각각 가중치가 0.7, 0.2, 0.1인 3개의 클래스에 대한 가중 분류 계층을 만듭니다.

classes = ["cat""dog""fish"]; classWeights = [0.7 0.2 0.1]; layer = classificationLayer(...'Classes',classes,...'ClassWeights',classWeights)
layer = ClassificationOutputLayer with properties: Name: '' Classes: [cat dog fish] ClassWeights: [3x1 double] OutputSize: 3 Hyperparameters LossFunction: 'crossentropyex'

Layer 배열에 가중 분류 출력 계층을 삽입합니다.

numClasses = numel(classes); layers = [...imageInputLayer([28 28 1]) convolution2dLayer(5,20) reluLayer maxPooling2dLayer(2,'Stride',2) fullyConnectedLayer(numClasses) softmaxLayer classificationLayer('Classes',classes,'ClassWeights',classWeights)]
layers = 7x1 Layer array with layers: 1 '' Image Input 28x28x1 images with 'zerocenter' normalization 2 '' Convolution 20 5x5 convolutions with stride [1 1] and padding [0 0 0 0] 3 '' ReLU ReLU 4 '' Max Pooling 2x2 max pooling with stride [2 2] and padding [0 0 0 0] 5 '' Fully Connected 3 fully connected layer 6 '' Softmax softmax 7 '' Classification Output Class weighted crossentropyex with 'cat' and 2 other classes

입력 인수

모두 축소

이름-값 인수

예:classificationLayer('Name','output')은 이름이'output'인 분류 계층을 만듭니다.

선택적으로Name,Value인수가 쉼표로 구분되어 지정됩니다. 여기서Name은 인수 이름이고Value는 대응값입니다.Name은 따옴표 안에 표시해야 합니다.Name1,Value1,...,NameN,ValueN과 같이 여러 개의 이름-값 쌍의 인수를 어떤 순서로든 지정할 수 있습니다.

계층 이름으로, 문자형 벡터 또는 string형 스칼라로 지정됩니다.Layer배열 입력값에 대해trainNetwork,assembleNetwork,layerGraph,dlnetwork함수는''로 설정된Name으로계층에이름을자동할당합니다。

데이터형:char|string

가중 교차 엔트로피 손실에 대한 클래스 가중치로, 양수로 구성된 벡터 또는'none'으로 지정됩니다.

벡터 클래스 가중치의 경우 각 요소는Classes속성에 있는 대응하는 클래스에 대한 가중치를 나타냅니다. 클래스 가중치로 구성된 벡터를 지정하려면'Classes'를 사용하여 클래스도 지정해야 합니다.

ClassWeights속성이'none'이면 계층은 비가중 교차 엔트로피 손실을 적용합니다.

출력 계층의 클래스로, categorical형 벡터, string형 배열, 문자형 벡터로 구성된 셀형 배열 또는'auto'로 지정됩니다.Classes가'auto'인 경우, 소프트웨어가 훈련 시점에 자동으로 클래스를 설정합니다. string형 배열 또는 문자형 벡터로 구성된 셀형 배열str을 지정하면, 출력 계층의 클래스가categorical(str,str)로 설정됩니다.

데이터형:char|categorical|string|cell

출력 인수

모두 축소

분류 계층으로,ClassificationOutputLayer객체로 반환됩니다.

계층을 결합하여 컨벌루션 신경망 아키텍처를 생성하는 방법은Layer를 참조하십시오.

세부 정보

모두 축소

분류 계층

분류 계층은 상호 배타적인 클래스로의 분류 및 가중 분류 작업에서 교차 엔트로피 손실을 계산합니다.

일반적인 분류 신경망에서 분류 계층은 대개 소프트맥스 계층 뒤에 옵니다. 분류 계층에서trainNetwork는 다음과 같이 소프트맥스 함수에서 값을 가져와 1-of-K 코딩 체계에 대한 교차 엔트로피 함수를 사용하여 각 입력값을 K개의 상호 배타적인 클래스 중 하나에 할당합니다[1].

loss = − 1 N ∑ n = 1 N ∑ i = 1 K w i t n i ln y n i ,

여기서 N은 샘플의 개수이고, K는 클래스의 개수이고, w i 는 클래스 i의 가중치이고, t n i 는 n번째 샘플이 i번째 클래스에 속한다는 표시자이고, y n i 는 샘플 n의 클래스 i 쪽 출력값인데, 이 경우에는 소프트맥스 함수에서 가져온 값이 됩니다. 다시 말해서, y n i 는 신경망이 n번째 입력값을 클래스 i에 연결할 확률입니다.

참고 문헌

[1] Bishop, C. M. Pattern Recognition and Machine Learning. Springer, New York, NY, 2006.

확장 기능

C/C++ 코드 생성
MATLAB® Coder™를 사용하여 C 코드나 C++ 코드를 생성할 수 있습니다.

GPU 코드 생성
GPU Coder™를 사용하여 NVIDIA® GPU용 CUDA® 코드를 생성할 수 있습니다.

버전 내역

R2016a에 개발됨

참고 항목

||||

도움말 항목