将输入分类数据创建为属于10类或类别的32个随机变量的观察值。

numCategories = 10;观察= 32;X =兰特(numCategories,观察);

创建带有标签的数据格式的格式化深度学习数组“C”和“B”．

dlX = dlarray (X,“CB”)；

使用softmax函数将输入数据中的所有值设置为介于之间的值0和1这些钱给1所有频道。这些值指定每个观测值属于特定类别的概率。

dlX = softmax (dlX);

将目标数据创建为未格式化的深度学习数组，该数组保存dlX中每个观测的正确类别。将第二类目标设置为一热编码向量。

目标= dlarray (0 (numCategories观测));目标(2)= 1;

计算每个预测与目标之间的焦点交叉熵损失。

海底= focalCrossEntropy (dlX,目标,“还原”，“没有”)；

将输入分类数据创建为属于10类或类别的32个随机变量的观察值。

numCategories = 10;观察= 32;X =兰特(numCategories,观察);

创建一个无格式的深度学习数组。

dlX = dlarray (X);

使用softmax函数将输入数据中的所有值设置为介于之间的值0和1这些钱给1所有频道。这些值指定了每个观测值属于特定类别的概率。

dlX = softmax (dlX,“DataFormat”，“CB”)；

创建目标数据。将第二类目标设置为一热编码向量。

目标= 0 (numCategories,观察);目标(2)= 1;

计算在预测和目标之间计算的焦点交叉熵损失的平均值。

海底= focalCrossEntropy (dlX,目标,“DataFormat”，“CB”）

dally = 1x1 dlarray 0.4769

将输入分类数据创建为属于10类或类别的32个随机变量的观察值。

numCategories = 10;观察= 32;X =兰特(numCategories,观察);

创建一个具有标签'C'和'B'的数据格式的格式化深度学习数组。

dlX = dlarray (X,“CB”)；

使用乙状结肠函数将输入数据中的所有值设置为介于之间的值0和1这些钱给1所有频道。这些值指定每个观测值属于特定类别的概率。

dlX =乙状结肠(dlX);

创建目标数据，其中包含每个观测的正确类别dlX．将第2类和第6类目标设置为一次性编码向量。

目标= 0 (numCategories,观察);目标(2)= 1;:目标(6日)= 1;

计算在预测和目标之间计算的焦点交叉熵损失的平均值。设置”TargetCategories' value to '独立的，用于多标签分类。

海底= focalCrossEntropy (dlX,目标,“TargetCategories”，“独立”）

dlY = 1x1美元2.4362