Создайте данные о классификации входов как 32 наблюдения за случайными переменными, принадлежащими 10 классам или категориям.

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

Создайте отформатированный массив глубокого обучения, который имеет формат данных с, маркирует 'C' и 'B'.

dlX = dlarray(X,'CB');

Используйте softmax функционируйте, чтобы установить все значения во входных данных к значениям между 0 и 1 та сумма к 1 по всем каналам. Значения задают вероятность каждого наблюдения, чтобы принадлежать конкретной категории.

dlX = softmax(dlX);

Создайте целевые данные как восстановленный после форматирования массив глубокого обучения, который содержит правильную категорию для каждого наблюдения в dlX. Поставьте цели, принадлежащие второй категории как одногорячие закодированные векторы.

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

Вычислите фокальную потерю перекрестной энтропии между каждым предсказанием и целью.

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

Создайте данные о классификации входов как 32 наблюдения за случайными переменными, принадлежащими 10 классам или категориям.

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

Создайте бесформатный массив глубокого обучения.

dlX = dlarray(X);

Используйте softmax функционируйте, чтобы установить все значения во входных данных к значениям между 0 и 1 та сумма к 1 по всем каналам. Значения задают вероятность для каждого наблюдения, чтобы принадлежать конкретной категории.

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

Создайте целевые данные. Поставьте цели, принадлежащие второй категории как одногорячие закодированные векторы.

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

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

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

dlY = 
  1x1 dlarray

    0.4769

Создайте данные о классификации входов как 32 наблюдения за случайными переменными, принадлежащими 10 классам или категориям.

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

Создайте отформатированный массив глубокого обучения, который имеет формат данных с, маркирует 'C' и 'B'.

dlX = dlarray(X,'CB');

Используйте sigmoid функционируйте, чтобы установить все значения во входных данных к значениям между 0 и 1 та сумма к 1 по всем каналам. Значения задают вероятность каждого наблюдения, чтобы принадлежать конкретной категории.

dlX = sigmoid(dlX);

Создайте целевые данные, которые содержат правильную категорию для каждого наблюдения в dlX. Поставьте цели, принадлежащие второй и шестой категории как одногорячие закодированные векторы.

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

Вычислите среднее значение фокальной потери перекрестной энтропии, вычисленной между предсказаниями и целями. Установите 'TargetCategories'значение к 'independent'для классификации мультиметок.

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

dlY = 
  1x1 dlarray

    2.4362