Слой Classification
Слой классификации вычисляет потерю перекрестной энтропии для классификации и взвешенных задач классификации со взаимоисключающими классами.
Создайте использование слоя классификации classificationLayer.
ClassWeights — Веса класса для взвешенной потери перекрестной энтропии'none' (значение по умолчанию) | вектор из положительных чиселВеса класса для взвешенной потери перекрестной энтропии в виде вектора из положительных чисел или 'none'.
Для векторных весов класса каждый элемент представляет вес для соответствующего класса в Classes свойство. Чтобы задать вектор из весов класса, необходимо также задать классы с помощью 'Classes'.
Если ClassWeights свойством является 'none', затем слой применяет невзвешенную потерю перекрестной энтропии.
Classes — Классы выходного слоя'auto' (значение по умолчанию) | категориальный вектор | массив строк | массив ячеек из символьных векторов
Классы выходного слоя в виде категориального вектора, массива строк, массива 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).
Типы данных: char | categorical | string | cell
OutputSize — Размер выхода'auto' (значение по умолчанию) | положительное целое числоЭто свойство доступно только для чтения.
Размер выхода в виде положительного целого числа. Это значение является количеством меток в данных. Перед обучением выходной размер установлен в 'auto'.
LossFunction — Функция потерь для обучения'crossentropyex'Это свойство доступно только для чтения.
Функция потерь для обучения в виде 'crossentropyex', который выдерживает за Перекрестную Энтропийную Функцию для k Взаимоисключающие Классы.
Name — Имя слоя'' (значение по умолчанию) | вектор символов | строковый скаляр
Имя слоя в виде вектора символов или строкового скаляра. Для Layer вход массивов, trainNetwork, assembleNetwork, layerGraph, и dlnetwork функции автоматически присваивают имена к слоям с Name установите на ''.
Типы данных: char | string
NumInputs — Количество входных параметровЭто свойство доступно только для чтения.
Количество входных параметров слоя. Этот слой принимает один вход только.
Типы данных: double
InputNames — Введите имена{'in'} (значение по умолчанию)Это свойство доступно только для чтения.
Введите имена слоя. Этот слой принимает один вход только.
Типы данных: cell
NumOutputs — Количество выходных параметровКоличество выходных параметров слоя. Слой не имеет никаких выходных параметров.
Типы данных: double
OutputNames — Выведите имена{} (значение по умолчанию)Выведите имена слоя. Слой не имеет никаких выходных параметров.
Типы данных: cell
Создайте слой классификации с именем 'output'.
layer = classificationLayer('Name','output')
layer =
ClassificationOutputLayer with properties:
Name: 'output'
Classes: 'auto'
ClassWeights: 'none'
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
Создайте взвешенный слой классификации для трех классов с именами "кошка", "собака" и "рыба", с весами 0.7, 0.2, и 0.1, соответственно.
classes = ["cat" "dog" "fish"]; classWeights = [0.7 0.2 0.1]; layer = classificationLayer( ... 'Classes',classes, ... 'ClassWeights',classWeights)
layer =
ClassificationOutputLayer with properties:
Name: ''
Classes: [cat dog fish]
ClassWeights: [3x1 double]
OutputSize: 3
Hyperparameters
LossFunction: 'crossentropyex'
Включайте взвешенную классификацию выходной слой в массив Слоя.
numClasses = numel(classes); layers = [ ... imageInputLayer([28 28 1]) convolution2dLayer(5,20) reluLayer maxPooling2dLayer(2,'Stride',2) fullyConnectedLayer(numClasses) softmaxLayer classificationLayer('Classes',classes,'ClassWeights',classWeights)]
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 3 fully connected layer
6 '' Softmax softmax
7 '' Classification Output Class weighted crossentropyex with 'cat' and 2 other classes
Слой классификации вычисляет потерю перекрестной энтропии для классификации и взвешенных задач классификации со взаимоисключающими классами.
Для типичных сетей классификации слой классификации обычно следует 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 для 1 из K кодирование схемы [1]:
где N является количеством отсчетов, K является количеством классов, вес для класса i, индикатор, что n th выборка принадлежит i th класс, и выход для демонстрационного n для класса i, который в этом случае, значение от функции softmax. Другими словами, вероятность, что сеть сопоставляет n th вход с классом i.
ClassNames свойство будет удаленоНе рекомендуемый запуск в R2018b
ClassNames будет удален. Используйте Classes вместо этого. Чтобы обновить ваш код, замените все экземпляры ClassNames с Classes. Существуют некоторые различия между свойствами, которые требуют дополнительных обновлений вашего кода.
ClassNames свойство выходного слоя является массивом ячеек из символьных векторов. Classes свойство является категориальным массивом. Использовать значение Classes с функциями, которые требуют входа массива ячеек, преобразуйте классы с помощью cellstr функция.
[1] Епископ, C. M. Распознавание образов и машинное обучение. Спрингер, Нью-Йорк, Нью-Йорк, 2006.
У вас есть модифицированная версия этого примера. Вы хотите открыть этот пример со своими редактированиями?
1. Если смысл перевода понятен, то лучше оставьте как есть и не придирайтесь к словам, синонимам и тому подобному. О вкусах не спорим.
2. Не дополняйте перевод комментариями “от себя”. В исправлении не должно появляться дополнительных смыслов и комментариев, отсутствующих в оригинале. Такие правки не получится интегрировать в алгоритме автоматического перевода.
3. Сохраняйте структуру оригинального текста - например, не разбивайте одно предложение на два.
4. Не имеет смысла однотипное исправление перевода какого-то термина во всех предложениях. Исправляйте только в одном месте. Когда Вашу правку одобрят, это исправление будет алгоритмически распространено и на другие части документации.
5. По иным вопросам, например если надо исправить заблокированное для перевода слово, обратитесь к редакторам через форму технической поддержки.