Создайте входные данные классификации как 32 наблюдения случайных переменных, принадлежащих 10 классам или категориям.

numCategories = 10;
observations = 32;
X = rand(numCategories,observations);

Создайте форматированный глубоким обучением массив, который имеет формат данных с метками 'C' и 'B'.

dlX = dlarray(X,'CB');

Используйте softmax функция для установки всех значений во входных данных на значения между 0 и 1 эту сумму 1 по всем каналам. Значения задают вероятность того, что каждое наблюдение принадлежит определенной категории.

dlX = softmax(dlX);

Создайте целевые данные как неформатированный массив глубокого обучения, который содержит правильную категорию для каждого наблюдения в dlX. Установите целевые объекты, относящиеся ко второй категории, как векторы с кодировкой с одним горячим контактом.

targets = dlarray(zeros(numCategories,observations));
targets(2,:) = 1;

Вычислите фокальные потери перекрестной энтропии между каждым предсказанием и целью.

dlY = focalCrossEntropy(dlX,targets,'Reduction','none');

Создайте входные данные классификации как 32 наблюдения случайных переменных, принадлежащих 10 классам или категориям.

numCategories = 10;
observations = 32;
X = rand(numCategories,observations);

Создайте неформатированный массив глубокого обучения.

dlX = dlarray(X);

Используйте softmax функция для установки всех значений во входных данных на значения между 0 и 1 эту сумму 1 по всем каналам. Значения определяют вероятность того, что каждое наблюдение относится к определенной категории.

dlX = softmax(dlX,'DataFormat','CB');

Создайте целевые данные. Установите целевые объекты, относящиеся ко второй категории, как векторы с кодировкой с одним горячим контактом.

targets = zeros(numCategories,observations);
targets(2,:) = 1;

Вычислите среднее значение фокусной потери перекрестной энтропии, вычисленной между предсказаниями и целями.

dlY = focalCrossEntropy(dlX,targets,'DataFormat','CB')

dlY = 
  1x1 dlarray

    0.4769

Создайте входные данные классификации как 32 наблюдения случайных переменных, принадлежащих 10 классам или категориям.

numCategories = 10;
observations = 32;
X = rand(numCategories,observations);

Создайте форматированный глубокий массив обучения, который имеет формат данных с метками 'C' и 'B'.

dlX = dlarray(X,'CB');

Используйте sigmoid функция для установки всех значений во входных данных на значения между 0 и 1 эту сумму 1 по всем каналам. Значения задают вероятность того, что каждое наблюдение принадлежит определенной категории.

dlX = sigmoid(dlX);

Создайте целевые данные, которые содержат правильную категорию для каждого наблюдения в dlX. Установите целевые объекты, относящиеся ко второй и шестой категориям, как векторы с кодировкой с одним горячим контактом.

targets = zeros(numCategories,observations);
targets(2,:) = 1;
targets(6,:) = 1;

Вычислите среднее значение фокусной потери перекрестной энтропии, вычисленной между предсказаниями и целями. Установите значение 'TargetCategories'значение в' independent'для многомерной классификации.

dlY = focalCrossEntropy(dlX,targets,'TargetCategories','independent')

dlY = 
  1x1 dlarray

    2.4362