classificationLayer

Classification слой выхода

свернуть все на странице

Синтаксис

layer = classificationLayer
layer = classificationLayer(Name,Value)

Описание

Слой классификации вычисляет перекрестную энтропийную потерю для многоклассовых задач классификации со взаимоисключающими классами.

Слой выводит количество классов от выходного размера предыдущего слоя. Например, чтобы задать количество классов K сети, включайте полносвязный слой с выходным размером K и softmax слой перед слоем классификации.

layer = classificationLayer создает слой классификации.

пример

layer = classificationLayer(Name,Value) устанавливает дополнительный Name и Classes свойства с помощью пар "имя-значение". Например, classificationLayer('Name','output') создает слой классификации с именем 'output'. Заключите каждое имя свойства в одинарные кавычки.

Примеры

свернуть все

Скрипт Open Live Script

Создайте слой классификации с именем 'output'.

layer = classificationLayer('Name','output')
layer = 
  ClassificationOutputLayer with properties:

            Name: 'output'
         Classes: 'auto'
      OutputSize: 'auto'

   Hyperparameters
    LossFunction: 'crossentropyex'

Включайте классификацию выходной слой в Layer массив.

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

Входные параметры

свернуть все

Аргументы в виде пар имя-значение

Задайте дополнительные разделенные запятой пары Name,Value аргументы. Name имя аргумента и Value соответствующее значение. Name должен появиться в кавычках. Вы можете задать несколько аргументов в виде пар имен и значений в любом порядке, например: Name1, Value1, ..., NameN, ValueN.

Пример: classificationLayer('Name','output') создает слой классификации с именем 'output'

Имя слоя, заданное как вектор символов или скаляр строки. Чтобы включать слой в график слоя, необходимо задать непустое уникальное имя слоя. Если вы обучаете серийную сеть со слоем и Name установлен в '', затем программное обеспечение автоматически присваивает имя к слою в учебное время.

Типы данных: char | string

Классы выходного слоя, заданного как категориальный вектор, массив строк, массив ячеек из символьных векторов или 'auto'. Если Classes 'auto', затем программное обеспечение автоматически устанавливает классы в учебное время. Если вы задаете массив строк или массив ячеек из символьных векторов str, затем программное обеспечение устанавливает классы выходного слоя к categorical(str,str). Значением по умолчанию является 'auto'.

Типы данных: char | categorical | string | cell

Выходные аргументы

свернуть все

Слой Classification, возвращенный как ClassificationOutputLayer объект.

Для получения информации о конкатенирующих слоях, чтобы создать архитектуру сверточной нейронной сети, смотрите Layer.

Больше о

свернуть все

Слой классификации

Слой классификации вычисляет перекрестную энтропийную потерю для многоклассовых задач классификации со взаимоисключающими классами.

Для типичных сетей классификации слой классификации должен следовать за softmax слоем. В слое классификации, trainNetwork принимает значения от функции softmax и присваивает каждый вход одному из K взаимоисключающие классы с помощью перекрестной энтропийной функции в 1 из K кодирование схемы [1]:

потеря=−∑i=1N∑j=1K​tijlnyij,

где N является количеством выборок, K является количеством классов, tij индикатор, что i th выборка принадлежит j th класс, и yij выход для демонстрационного i для класса j, который в этом случае, значение от функции softmax. Таким образом, это - вероятность, что сеть сопоставляет i th вход с классом j.

Ссылки

[1] Епископ, C. M. Распознавание образов и машинное обучение. Спрингер, Нью-Йорк, Нью-Йорк, 2006.

Расширенные возможности

Генерация кода графического процессора
Сгенерируйте код CUDA® для NVIDIA® графические процессоры с помощью GPU Coder™.

Смотрите также

| |

Темы

Введенный в R2016a

Документация Deep Learning Toolbox
Поддержка
Для просмотра документации необходимо авторизоваться на сайте