RegressionOutputLayer

Выходной слой регрессии

развернуть все на странице

Описание

Регрессионный слой вычисляет полусреднюю потерю в квадратичной невязке для задач регрессии.

Создание

Создайте регрессионный выходной слой с помощью regressionLayer.

Свойства

расширить все

Выходы регрессии

`ResponseNames` - Имена ответов
`{}` (по умолчанию) | массив ячеек из векторов символов | строковых массивов

Имена ответов, заданные массив ячеек из векторов символов или строковые массивы. Во время обучения программное обеспечение автоматически устанавливает имена ответов согласно обучающим данным. Значение по умолчанию является {}.

Типы данных: cell

`LossFunction` - Функция потерь для обучения
`'mean-squared-error'`

Функция потерь, используемая программным обеспечением для обучения, задается как 'mean-squared-error'.

Слой

`Name` - Имя слоя
`''` (по умолчанию) | символьный вектор | строковый скаляр

Имя слоя, заданное как вектор символов или строковый скаляр. Чтобы включить слой в график слоев, необходимо задать непустое уникальное имя слоя. Если вы обучаете последовательную сеть с слоем и Name установлено в ''затем программа автоматически присваивает слою имя во время обучения.

Типы данных: char | string

`NumInputs` - Количество входов
1 (по умолчанию)

Количество входов слоя. Этот слой принимает только один вход.

Типы данных: double

`InputNames` - Входные имена
`{'in'}` (по умолчанию)

Входные имена слоя. Этот слой принимает только один вход.

Типы данных: cell

`NumOutputs` - Количество выходов
0 (по умолчанию)

Количество выходов слоя. Слой не имеет выходов.

Типы данных: double

`OutputNames` - Выходные имена
`{}` (по умолчанию)

Выходные имена слоя. Слой не имеет выходов.

Типы данных: cell

Примеры

свернуть все

Создайте слой Выхода регрессии

Открыть Live Script

Создайте регрессионный выходной слой с именем 'routput'.

layer = regressionLayer('Name','routput')

layer = 
  RegressionOutputLayer with properties:

             Name: 'routput'
    ResponseNames: {}

   Hyperparameters
     LossFunction: 'mean-squared-error'

Функция потерь по умолчанию для регрессии является средней квадратичной ошибкой.

Включите регрессионный выходной слой в массив слоев.

layers = [ ...
    imageInputLayer([28 28 1])
    convolution2dLayer(12,25)
    reluLayer
    fullyConnectedLayer(1)
    regressionLayer]

layers = 
  5x1 Layer array with layers:

     1   ''   Image Input         28x28x1 images with 'zerocenter' normalization
     2   ''   Convolution         25 12x12 convolutions with stride [1  1] and padding [0  0  0  0]
     3   ''   ReLU                ReLU
     4   ''   Fully Connected     1 fully connected layer
     5   ''   Regression Output   mean-squared-error

Подробнее о

расширить все

Слой Выхода регрессии

Регрессионный слой вычисляет полусреднюю потерю в квадратичной невязке для задач регрессии. Для типичных задач регрессии слой регрессии должен следовать за конечным полносвязным слоем.

Для одного наблюдения средняя квадратная ошибка задается:

$MSE = \sum_{i = 1}^{R} \frac{{(t_{i} - y_{i})}^{2}}{R},$

где R - количество откликов, _ti - целевой выход, а _yi - предсказание сети для i отклика.

Для регрессионных сетей изображение и последовательность-к-одному, функция потерь регрессионого слоя является квадратичной невязкой предсказанных реакций, не нормализованной по R:

$loss = \frac{1}{2} \sum_{i = 1}^{R} {(t_{i} - y_{i})}^{2} .$

Для сетей регрессии изображение-изображение функцией потерь регрессионого слоя является квадратичная невязка предсказанных откликов для каждого пикселя, не нормализованная R:

$loss = \frac{1}{2} \sum_{p = 1}^{H W C} {(t_{p} - y_{p})}^{2},$

где H, W и C обозначают высоту, ширину и количество каналов выхода соответственно и p индексы в каждый элемент (пиксель) t и y линейно.

Для регрессионных сетей «последовательность-последовательность» функцией потерь регрессионого слоя является квадратичная невязка предсказанных ответов для каждого временного шага, не нормализованная R:

$loss = \frac{1}{2 S} \sum_{i = 1}^{S} \sum_{j = 1}^{R} {(t_{i j} - y_{i j})}^{2},$

где S - длина последовательности.

При обучении программное обеспечение вычисляет среднюю потерю по сравнению с наблюдениями в мини-пакете.

См. также

classificationLayer | fullyConnectedLayer | regressionLayer | trainNetwork

Темы

Введенный в R2017a

Документация

RegressionOutputLayer

Описание

Создание

Свойства

Выходы регрессии

`ResponseNames` - Имена ответов
`{}` (по умолчанию) | массив ячеек из векторов символов | строковых массивов

`LossFunction` - Функция потерь для обучения
`'mean-squared-error'`

Слой

`Name` - Имя слоя
`''` (по умолчанию) | символьный вектор | строковый скаляр

`NumInputs` - Количество входов
1 (по умолчанию)

`InputNames` - Входные имена
`{'in'}` (по умолчанию)

`NumOutputs` - Количество выходов
0 (по умолчанию)

`OutputNames` - Выходные имена
`{}` (по умолчанию)

Примеры

Создайте слой Выхода регрессии

Подробнее о

Слой Выхода регрессии

См. также

Темы

Документация по Deep Learning Toolbox

Поддержка

Документация

RegressionOutputLayer

Описание

Создание

Свойства

Выходы регрессии

ResponseNames - Имена ответов {} (по умолчанию) | массив ячеек из векторов символов | строковых массивов

LossFunction - Функция потерь для обучения 'mean-squared-error'

Слой

Name - Имя слоя '' (по умолчанию) | символьный вектор | строковый скаляр

NumInputs - Количество входов 1 (по умолчанию)

InputNames - Входные имена {'in'} (по умолчанию)

NumOutputs - Количество выходов 0 (по умолчанию)

OutputNames - Выходные имена {} (по умолчанию)

Примеры

Создайте слой Выхода регрессии

Подробнее о

Слой Выхода регрессии

См. также

Темы

Документация по Deep Learning Toolbox

Поддержка

`ResponseNames` - Имена ответов
`{}` (по умолчанию) | массив ячеек из векторов символов | строковых массивов

`LossFunction` - Функция потерь для обучения
`'mean-squared-error'`

`Name` - Имя слоя
`''` (по умолчанию) | символьный вектор | строковый скаляр

`NumInputs` - Количество входов
1 (по умолчанию)

`InputNames` - Входные имена
`{'in'}` (по умолчанию)

`NumOutputs` - Количество выходов
0 (по умолчанию)

`OutputNames` - Выходные имена
`{}` (по умолчанию)