文档帮助中心文档
一会
分类层
分类层计算具有互斥类的分类和加权分类任务的跨熵丢失。
创建一个分类层使用classificationLayer.
classificationLayer
全部展开
同等级
“没有”
类权值为加权交叉熵损失,指定为正数或向量“没有”.
对于向量类权重,每个元素表示相应类中的权重类财产。要指定类重量的向量,您还必须使用使用类别'课程'.
类
'课程'
如果同等级属性是“没有”,该层应用了未加权的交叉熵损失。
“汽车”
输出层的类,指定为分类向量,字符串阵列,字符向量的单元格数组,或“汽车”.如果类是“汽车”,然后软件在训练时自动设置课程。如果指定字符向量的字符串数组或单元格数组str,然后软件将输出层的类设置为分类(str, str).
str
分类(str, str)
数据类型:char|分类|字符串|细胞
char
分类
字符串
细胞
OutputSize
此属性是只读的。
输出的大小,指定为正整数。此值是数据中的标签数。在培训之前,输出大小设置为“汽车”.
损失
“crossentropyex”
训练损失函数,指定为“crossentropyex”,代表交叉熵函数k互斥类.
的名字
”
图层名称,指定为字符向量或字符串标量。为了层数组输入,trainNetwork,汇编,分层图, 和dlnetwork函数自动将名称分配给图层的名字设置为”.
层
trainNetwork
汇编
分层图
dlnetwork
数据类型:char|字符串
numinputs.
1
图层的输入数。此图层仅接受单个输入。
数据类型:双
双
InputNames
{'在'}
图层的输入名称。此图层仅接受单个输入。
数据类型:细胞
NumOutputs
层输出的数量。该层没有输出。
输出名称
{}
图层的输出名称。该层没有输出。
全部折叠
用名称创建一个分类层“输出”.
“输出”
层= classificationLayer (“名字”,“输出”)
class = ClassificationOutputLayer with properties: Name: 'output' Classes: 'auto' ClassWeights: 'none' OutputSize: 'auto' Hyperparameters LossFunction: 'crossentropyex'
包括一个分类输出层层数组中。
层= [...imageInputLayer([28 28 1])卷积2dlayer (5,20) reluLayer maxPooling2dLayer(2, 20)“步”,2) fulllyconnectedlayer (10) softmaxLayer classifier]
图层= 7x1层阵列,带有图层:1''图像输入28x28x1图像与“zerocenter”归一化2''卷积20 5x5卷绕卷曲[1 1]和填充[0 0 0 0] 3''Relu Relu 4''Max汇集2x2 max汇集步进[2 2]和填充[0 0 0 0] 5''完全连接的10完全连接的第6层''softmax softmax 7''分类输出crossentropyex
创建三个类别的加权分类层,分别为“猫”、“狗”和“鱼”,权重分别为0.7、0.2和0.1。
类= [“猫”“狗”“鱼”];classWeights = [0.7 0.2 0.1];层= classificationLayer (...'课程',课程,...“ClassWeights”classWeights)
class: [cat dog fish] ClassWeights: [3x1 double] OutputSize: 3 Hyperparameters LossFunction: 'crossentropyex'
在层阵列中包括加权分类输出层。
numClasses =元素个数(类);层= [...imageInputLayer([28 28 1])卷积2dlayer (5,20) reluLayer maxPooling2dLayer(2, 20)“步”,2) full connectedlayer (numClasses) softmaxLayer classificationLayer('课程',课程,“ClassWeights”classWeights))
图层= 7x1层阵列,带有图层:1''图像输入28x28x1图像与“zerocenter”归一化2''卷积20 5x5卷绕卷曲[1 1]和填充[0 0 0 0] 3''Relu Relu 4''Max汇集2x2 max汇集步进[2 2]和填充[0 0 0 0] 5''完全连接的3完全连接的第6层''softmax Softmax 7''分类输出类加权联结交叉过渡性带有“猫”和2个其他类
对于典型的分类网络,分类层通常在softmax层之后。在分类层,trainNetwork从softmax函数获取值,并将每个输入赋给其中一个K互斥类使用交叉熵函数为1的-K编码方案[1]:
损失 = − 1 N ∑ n = 1 N ∑ 我 = 1 K w 我 t n 我 LN. y n 我 ,
在哪里N为样本数,K为班级数, w 我 这个体重是上课用的吗我, t n 我 指标是n这个样品属于我班级,和 y n 我 是样本的输出n上课我(在这种情况下,它是SoftMax函数的值。换句话说, y n 我 网络与网络相关的可能性是n用类输入我.
不建议从R2018b开始
一会将被删除。使用类代替。要更新代码,请替换一会与类.您需要对代码额外更新的属性之间存在一些差异。
的一会属性是字符向量的单元格数组。的类属性是一个类别数组。使用的价值类属性对需要单元格数组输入的函数进行转换cellstr函数。
cellstr
[1] Bishop,C. M.模式识别和机器学习.Springer,纽约,NY,2006年。
regressionLayer|softmaxLayer
regressionLayer
softmaxLayer
您有这个示例的修改版本。您想打开这个示例与您的编辑吗?
你点击一个链接对应于这个MATLAB命令:
通过在MATLAB命令窗口中输入命令来运行命令。Web浏览器不支持MATLAB命令。金宝app
选择一个网站,在那里获得翻译的内容,并看到当地的活动和优惠。根据您的位置,我们建议您选择:.
您还可以从以下列表中选择一个网站:
选择中国网站(中文或英文)以获得最佳网站性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。
与当地办事处联系