主要内容

ClassificationLayer.

分类输出层

在页面上崩溃

句法

tillay = classificationlayer.
层= classificationLayer(名称、值)

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。

该层根据前一层的输出大小推断类的数量。例如，指定类的数量K.在网络中，您可以包含具有输出大小的完全连接的图层K.和分类层之前的软MAX层。

层= ClassificationLayer.创建分类层。

例子

层= ClassificationLayer（名称，价值的）设置可选姓名那ClassWeights,课堂属性使用一个或多个名称值对。例如，ClassificationLayer（'name'，'输出'）创建一个名称为'输出'．

例子

全部收缩

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
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

输入参数

全部收缩

名称 - 值参数

指定可选的逗号分离对名称，价值参数。姓名是参数名称和价值为对应值。姓名必须出现在引号内。您可以以任何顺序指定多个名称和值对参数Name1, Value1,…,的家．

例子:ClassificationLayer（'name'，'输出'）创建一个名称为'输出'

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

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。

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

输出参数

全部收缩

分类层，作为一个返回ClassificationOutputLayer.对象。

有关连接层以构建卷积神经网络架构的信息，请参见层．

更多关于

全部收缩

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。

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.样本属于一世班级，和 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．

参考文献

[1]毕晓普模式识别和机器学习．施普林格，纽约，纽约，2006。

扩展能力

C / C ++代码生成
使用MATLAB®Coder™生成C和c++代码。

GPU代码生成
使用GPU Coder™为NVIDIA®GPU生成CUDA®代码。

也可以看看

||||

话题

在R2016A介绍

深度学习工具箱文档

金宝app

介绍基于MATLAB的深度学习

介绍基于MATLAB的深度学习

下载电子书