trainSoftmaxLayer

训练分类一个SOFTMAX层

折叠所有页面

句法

净= trainSoftmaxLayer（X，T）

净= trainSoftmaxLayer（X，T，名称，值）

描述

例

净= trainSoftmaxLayer（X，Ť）训练一SOFTMAX层，净对输入数据X和目标Ť。

净= trainSoftmaxLayer（X，Ť，名称，值）训练一SOFTMAX层，净与由一个或多个指定的附加选项名称，值对参数。

例如，您可以指定损失函数。

例子

全部收缩

分类使用SOFTMAX层

开立真实脚本

加载样本数据。

[X，T] = iris_dataset;

X是虹膜花四个属性一个4x150矩阵：萼片长度，萼片宽度，花瓣长度，花瓣宽度。

Ť是限定了3×150矩阵相关联的类载体，其中三类的每个输入被分配给。每一行对应于表示虹膜物种（类）中的一个的虚拟变量。在每列中，在三排中的一个1表示该特定的采样（观察或实例）所属的类。有一个在排为观察不属于其他类零。

培养使用的样品数据SOFTMAX层。

净= trainSoftmaxLayer（X，T）;

分类观察到使用经训练的SOFTMAX层三种类别之一。

Y =净（X）;

积使用目标的混淆矩阵和来自SOFTMAX层得到的分类。

plotconfusion（T，Y）;

输入参数

全部收缩

`X`-训练数据
米-通过-ñ矩阵

训练数据，指定为米-通过-ñ矩阵，其中米是的变量在训练数据的数量，ñ是观测（实施例）的数量。因此，每列X表示的样品。

数据类型：单|双

`Ť`-目标数据
ķ-通过-ñ矩阵

目标数据，指定为ķ-通过-ñ矩阵，其中ķ是类的数量，和ñ是观测值的数量。每一行是代表特定类的伪变量。换言之，每列代表一个样品，并且一列的所有条目是零，除了单一一个中的行。这种单一的条目表明该样品的类。

数据类型：单|双

名称 - 值对参数

指定可选的用逗号分隔的对名称，值参数。名称是参数的名称和值是对应的值。名称必须出现引号内。您可以按照任何顺序指定多个名称和值对参数名1，值1，...，NameN，值N。

例：'MaxEpochs'，400 'ShowProgressWindow'，假指定迭代400和兽皮训练窗的最大数量。

`'MaxEpochs'`-训练最大迭代次数
1000（默认）|正整数值

训练迭代的最大次数，指定为逗号分隔的一对组成的'MaxEpochs'和正整数值。

例：'MaxEpochs'，500

数据类型：单|双

`'LossFunction'`-对于SOFTMAX层损失函数
`'crossentropy'`（默认）|`'MSE'`

用于SOFTMAX层损失函数，指定为逗号分隔的一对组成的'LossFunction'，要么'crossentropy'要么'MSE'。

MSE代表均方误差函数，其计算公式如下：

$Ë = \frac{1}{ñ} Σ_{Ĵ = 1}^{ñ} Σ_{一世 = 1}^{ķ} {（ Ť_{一世 Ĵ} - ÿ_{一世 Ĵ} ）}^{2} ，$

哪里ñ是训练实例的数目，并且ķ是的类的数量。 $Ť_{一世 Ĵ}$ 是个IJ所述目标矩阵的个条目，Ť和 $ÿ_{一世 Ĵ}$ 是个一世从自动编码器输出第当输入向量是X_Ĵ。

交叉熵函数为：

$Ë = \frac{1}{ñ} Σ_{Ĵ = 1}^{ñ} Σ_{一世 = 1}^{ķ} Ť_{一世 Ĵ} LN ÿ_{一世 Ĵ} + （ 1 - Ť_{一世 Ĵ} ） LN （ 1 - ÿ_{一世 Ĵ} ）。$

例：'LossFunction'， 'MSE'

`'ShowProgressWindow'`-指示灯显示训练窗口
`真正`（默认）|`假`

指示器以训练期间显示训练窗，指定为逗号分隔的一对组成的'ShowProgressWindow'，要么真正要么假。

例：'ShowProgressWindow'，假

数据类型：合乎逻辑

`'TrainingAlgorithm'`-训练算法
`'trainscg'`（默认）

训练用于训练SOFTMAX层算法，指定为逗号分隔的一对组成的'TrainingAlgorithm'和'trainscg'，它代表缩放共轭梯度。

例：'TrainingAlgorithm'， 'trainscg'

输出参数

全部收缩

`净`- 使用SoftMax层用于分类
`网络`目的

用于分类使用SoftMax层，返回为网络目的。所述SOFTMAX层，净是尺寸与目标相同Ť。

也可以看看

堆|trainAutoencoder

介绍了在R2015b

trainSoftmaxLayer

句法

描述

例子

分类使用SOFTMAX层

输入参数

`X`-训练数据
米-通过-ñ矩阵

`Ť`-目标数据
ķ-通过-ñ矩阵

名称 - 值对参数

`'MaxEpochs'`-训练最大迭代次数
1000（默认）|正整数值

`'LossFunction'`-对于SOFTMAX层损失函数
`'crossentropy'`（默认）|`'MSE'`

`'ShowProgressWindow'`-指示灯显示训练窗口
`真正`（默认）|`假`

`'TrainingAlgorithm'`-训练算法
`'trainscg'`（默认）

输出参数

`净`- 使用SoftMax层用于分类
`网络`目的

也可以看看

深度学习工具箱文档

金宝app

用MATLAB引入深度学习

trainSoftmaxLayer

句法

描述

例子

分类使用SOFTMAX层

输入参数

X-训练数据米-通过-ñ矩阵

Ť-目标数据ķ-通过-ñ矩阵

名称 - 值对参数

'MaxEpochs'-训练最大迭代次数1000（默认）|正整数值

'LossFunction'-对于SOFTMAX层损失函数'crossentropy'（默认）|'MSE'

'ShowProgressWindow'-指示灯显示训练窗口真正（默认）|假

'TrainingAlgorithm'-训练算法'trainscg'（默认）

输出参数

净- 使用SoftMax层用于分类网络目的

也可以看看

深度学习工具箱文档

金宝app

用MATLAB引入深度学习

`X`-训练数据
米-通过-ñ矩阵

`Ť`-目标数据
ķ-通过-ñ矩阵

`'MaxEpochs'`-训练最大迭代次数
1000（默认）|正整数值

`'LossFunction'`-对于SOFTMAX层损失函数
`'crossentropy'`（默认）|`'MSE'`

`'ShowProgressWindow'`-指示灯显示训练窗口
`真正`（默认）|`假`

`'TrainingAlgorithm'`-训练算法
`'trainscg'`（默认）

`净`- 使用SoftMax层用于分类
`网络`目的