主要内容

classificationLayer

分类输出层

折叠所有页面

语法

层= classificationLayer
图层=分类图层（名称、值）

描述

分类层计算具有互斥类的分类和加权分类任务的交叉熵损失。

该层根据上一层的输出大小推断类的数量。例如，指定类的数量K包括一个具有输出大小的完全连接层K以及在分类层之前的softmax层。

层= classificationLayer创建分类层。

例子

层= classificationLayer (名称,值）设置可选的名字，类权重，及类使用一个或多个名称-值对的属性。例如,classificationLayer(“名字”,“输出”)使用名称创建分类图层“输出”．

例子

全部折叠

打开实时脚本

用名称创建一个分类层“输出”．

层= classificationLayer (“名字”，“输出”）
class = ClassificationOutputLayer with properties: Name: 'output' Classes: 'auto' ClassWeights: 'none' OutputSize: 'auto' Hyperparameters LossFunction: 'crossentropyex'

将分类输出层包含在层数组中。

层= [．..imageInputLayer([28 28 1])卷积2dlayer (5,20) reluLayer maxPooling2dLayer(2, 20)“步”，2) fulllyconnectedlayer (10) softmaxLayer classifier]
layers=7x1层阵列，带层：1''图像输入28x28x1图像，带“零中心”标准化2''卷积20 5x5卷积，带跨距[1]和填充[0 0 0 0]3''ReLU ReLU 4''最大池2x2最大池跨距[2]和填充[0 0 0]5''完全连接10完全连接的层6''Softmax Softmax 7'分类输出交叉熵
打开实时脚本

创建三个类别的加权分类层，分别为“猫”、“狗”和“鱼”，权重分别为0.7、0.2和0.1。

类别=[“猫”“狗”“鱼”];classWeights = [0.7 0.2 0.1];层= classificationLayer (．..“班级”，班级，．..“ClassWeights”classWeights)
class: [cat dog fish] ClassWeights: [3x1 double] OutputSize: 3 Hyperparameters LossFunction: 'crossentropyex'

在层阵列中包括加权分类输出层。

numClasses =元素个数(类);层= [．..imageInputLayer([28 28 1])卷积2dlayer (5,20) reluLayer maxPooling2dLayer(2, 20)“步”，2) full connectedlayer (numClasses) softmaxLayer classificationLayer(“班级”，班级，“ClassWeights”classWeights))
layers=7x1层阵列，带层：1''图像输入28x28x1图像，带“零中心”标准化2''卷积20 5x5卷积，带跨距[1]和填充[0 0 0 0]3''ReLU ReLU 4''最大池2x2最大池跨距[2]和填充[0 0 0]5''完全连接3完全连接的层6''Softmax Softmax 7''分类输出类加权交叉EntroPyex与“cat”和其他2类

输入参数

全部折叠

名称-值对的观点

指定可选的逗号分隔的对名称,值论据。的名字参数名和价值是对应的值。的名字必须出现在引号内。您可以按任意顺序指定多个名称和值对参数，如下所示：名称1，值1，…，名称，值．

例子：classificationLayer(“名字”,“输出”)使用名称创建分类图层“输出”

层名，指定为字符向量或字符串标量。若要在层图中包含层，必须指定非空的唯一层名。如果你用层和的名字设置为＇＇，然后软件在训练时自动为该层分配一个名称。

数据类型:烧焦|字符串

类权值为加权交叉熵损失，指定为正数或向量“没有”．

对于向量类权重，每个元素表示类财产。要指定类权重向量，还必须使用“班级”．

如果类权重财产是“没有”然后该层应用未加权交叉熵损失。

输出层的类，指定为分类向量、字符串数组、字符向量的单元格数组或“汽车”．如果类是“汽车”，然后软件在训练时自动设置课程。如果指定字符向量的字符串数组或单元格数组str，然后软件将输出层的类设置为分类(str, str)．

数据类型:烧焦|绝对的|字符串|细胞

输出参数

全部折叠

分类层，返回为ClassificationOutputLayer对象

有关连接层以构建卷积神经网络体系结构的信息，请参见层．

更多关于

全部折叠

分类层

分类层计算具有互斥类的分类和加权分类任务的交叉熵损失。

对于典型的分类网络，分类层必须遵循softmax层。在分类层，trainNetwork从softmax函数获取值，并将每个输入赋给其中一个K互斥类使用交叉熵函数为1的-K编码方案[1]：

损失 ＝ − 1 N ∑ n ＝ 1 N ∑ 我 ＝ 1 K w 我 t n 我 自然对数 y n 我 ，

在哪里N为样本数，K为班级数， w 我 这个体重是上课用的吗我， t n 我 指标是n这个样品属于我第四级，以及 y n 我 是样本的输出n上课我，在本例中，它是来自softmax函数的值。换句话说,， y n 我 是指网络将n用类输入我．

工具书类

[1] 主教，C。M模式识别和机器学习. 斯普林格，纽约，纽约，2006年。

扩展功能

C / c++代码生成
使用Matlab®编码器生成C和C++代码™.

GPU的代码生成
使用GPU编码器为NVIDIA®GPU生成CUDA®代码™.

另请参阅

||||

主题

介绍了R2016a

深度学习工具箱文档

万博1manbetx

用MATLAB引入深度学习

用MATLAB引入深度学习

下载电子书