ClassificationOutputLayer

分类层

全部展开页面

描述

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

创建一个分类层使用classificationLayer．

属性

全部展开

分类输出

`同等级`- - - - - -加权交叉熵损失的类重量
`“没有”`(默认)|正数向量

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'．

如果同等级属性是“没有”，该层应用了未加权的交叉熵损失。

`类`- - - - - -输出层的类
`“汽车”`(默认)|分类向量|字符串数组|字符向量的单元格数组

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)．

数据类型:char|分类|字符串|细胞

`OutputSize`- - - - - -输出尺寸
`“汽车”`(默认)|正整数

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`- - - - - -训练损失功能
`“crossentropyex”`

此属性是只读的。

训练损失函数，指定为“crossentropyex”，代表交叉熵函数k互斥类．

层

`的名字`- - - - - -层的名字
`”`(默认)|特征向量|字符串标量

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”．

数据类型:char|字符串

`numinputs.`- - - - - -输入数量
`1`(默认)

此属性是只读的。

图层的输入数。此图层仅接受单个输入。

数据类型:双

`InputNames`- - - - - -输入名字
`{'在'}`(默认)

此属性是只读的。

图层的输入名称。此图层仅接受单个输入。

数据类型:细胞

`NumOutputs`- - - - - -数量的输出
0(默认)

层输出的数量。该层没有输出。

数据类型:双

`输出名称`- - - - - -输出的名字
`{}`(默认)

图层的输出名称。该层没有输出。

数据类型:细胞

例子

全部折叠

创建分类层

打开直播脚本

用名称创建一个分类层“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

创建加权分类层

打开直播脚本

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