logsig

Логарифмическая передаточная функция

Свернуть все на странице

Синтаксис

A = logsig(N)
dA_dN = logsig('dn',N,A,FP)
info = logsig(code)

Описание

пример

Совет

Чтобы использовать логистическую активацию сигмоидов для глубокого обучения, используйте sigmoidLayer или dlarray способ сигмоид.

A = logsig(N) принимает матрицу чистых входных векторов, N и возвращает S-by- Q матрица, A, элементов N вкраплен в [0, 1].

logsig является передаточной функцией. Передаточные функции вычисляют выход слоя из его чистого входа.

dA_dN = logsig('dn',N,A,FP) возвращает S-by- Q производная от A относительно N. Если A или FP не поставляются или имеют значение [], FP возвращается к параметрам по умолчанию и A вычисляется из N.

info = logsig(code) возвращает информацию об этой функции. Для получения дополнительной информации см. описание code аргумента.

Примеры

свернуть все

В этом примере показов, как вычислить и построить график передаточной функции логарифмического сигнала матрицы входа.

Создайте матрицу входа, n. Затем вызовите logsig функция и постройте график результатов.

n = -5:0.1:5;
a = logsig(n);
plot(n,a)

Присвойте эту передаточную функцию слою i сети.

net.layers{i}.transferFcn = 'logsig';

Входные параметры

свернуть все

Сетевой вход векторов-столбцов, заданная как S-by- Q матрица.

Информация, которую вы хотите получить из функции, заданная как одно из следующего:

  • 'name' возвращает имя этой функции.

  • 'output' возвращает [min max] выходная область значений.

  • 'active' возвращает [min max] активная входная область значений.

  • 'fullderiv' возвращает 1 или 0, в зависимости от того dA_dN является S-by- S-by- Q или S-by- Q.

  • 'fpnames' возвращает имена параметров функции.

  • 'fpdefaults' возвращает параметры функции по умолчанию.

Выходные аргументы

свернуть все

Выходные векторы, возвращенные как S-by- Q матрица, где каждый элемент N вычеркивается из интервала [-inf inf] в интервал [0 1] с «S-образной» функцией.

Алгоритмы

logsig(n) = 1 / (1 + exp(-n))

См. также

|

Представлено до R2006a

Документация по Deep Learning Toolbox

Поддержка

Для просмотра документации необходимо авторизоваться на сайте