文档帮助中心文档
dlarray
计算焦点交叉熵损失
海底= focalCrossEntropy (dlX目标)
海底= focalCrossEntropy (dlX,目标,DataFormat, FMT)
海底= focalCrossEntropy (___、名称、值)
例子
海底= focalCrossEntropy (dlX,目标)计算单标签和多标签分类任务的网络预测和目标值之间的焦点交叉熵。这些类是互斥类。焦点交叉熵损失权值对分类较差的训练样本,而忽略分类良好的样本。焦点交叉熵损失的计算方法为平均对数损失除以非零目标数。
海底= focalCrossEntropy (dlX,目标)
海底
dlX
目标
海底= focalCrossEntropy (dlX,目标、“DataFormat”FMT)还指定维度格式FMT当dlX不是格式化的dlarray.
海底= focalCrossEntropy (dlX,目标、“DataFormat”FMT)
FMT
海底= focalCrossEntropy (___,名称,值)除了前面语法中的输入参数外,还使用一个或多个名称-值对参数指定选项。例如,“TargetCategories”、“独立”计算多标签分类任务的交叉熵损失。
海底= focalCrossEntropy (___,名称,值)
名称,值
“TargetCategories”、“独立”
全部折叠
这个示例使用:
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”.
“C”
“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。
softmax
0
1
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”);
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
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。
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。
乙状结肠
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。
TargetCategories
独立的
海底= focalCrossEntropy (dlX,目标,“TargetCategories”,“独立”)
dlY = 1x1美元2.4362
预测,指定为dlarray有或没有维度标签或数字数组。当dlX不是格式化的dlarray,则必须使用FMT, DataFormat”.如果dlX是一个数字数组,目标必须是一个dlarray.
FMT, DataFormat”
数据类型:单|双
单
双
目标分类标签,指定为格式化或未格式化dlarray或者一个数字数组。
如果目标是一个格式化的dlarray,其维度格式必须与的格式相同dlX,或相同的“DataFormat”如果dlX是无格式
“DataFormat”
如果目标是一个非格式化dlarray或一个数字数组,大小为目标必须完全匹配的尺寸dlX.的格式dlX或者价值“DataFormat”隐式应用于目标.
指定可选的逗号分隔的对名称,值参数。的名字参数名和价值为对应值。的名字必须出现在引号内。可以以任意顺序指定多个名称和值对参数Name1, Value1,…,的家.
的名字
价值
Name1, Value1,…,的家
“TargetCategories”、“独立”、“DataFormat”、“CB”
“CB”
γ
焦损失函数的聚焦参数,指定为逗号分隔对组成“伽马”一个正实数。增加…的价值γ增加网络对错误分类观察的敏感性。
“伽马”
α
焦损函数的平衡参数,指定为逗号分隔对组成“α”一个正实数。的α值线性缩放损失函数,通常设置为0.25.如果你减少α,增加γ.
“α”
0.25
减少
的意思是
没有一个
输出损失的类型,指定为逗号分隔对,由“还原”以及以下其中之一:
“还原”
“的意思是”-每个预测的平均产出损失。该函数计算输入中每个预测计算的损失值的平均值dlX.该函数返回未格式化的平均损失dlarray.沿信道维数所有目标值为零的观测数据被排除在计算平均损失之外。
“的意思是”
“没有”-每个预测的输出损失。函数返回每个观测的损失值dlX.计算焦点交叉熵损失的样本也包含了沿通道维数目标值均为零的观测值。如果dlX是一个格式化的dlarray、输出海底是一个格式化的dlarray尺寸标签相同dlX.如果dlX是一个非格式化dlarray、输出海底是一个非格式化dlarray.
“没有”
默认值为“的意思是”.
例子:“减少”,“的意思是”
“减少”,“的意思是”
数据类型:字符|字符串
字符
字符串
“独家”
“独立”
分类任务的类型,指定为逗号分隔对组成“TargetCategories”以及以下其中之一:
“TargetCategories”
“独家”——单标牌分类。预测中的每一个观察dlX只属于一个类别。
“独立”——多标记分类。预测中的每一个观察dlX可分配给一个或多个独立类别。
默认值为“独家”.
DataFormat
未格式化输入数据的维度顺序,指定为逗号分隔对,由“DataFormat”以及字符数组或字符串FMT为数据的每个维度提供一个标签。每个字符在FMT必须是下列情况之一:
“年代”——空间
“年代”
“C”——频道
“B”-批次(例如,样品和观察)
“T”-时间(例如,序列)
“T”
“U”——未指明的
“U”
您可以指定多个标注的维度“年代”或“U”.你可以使用标签“C”,“B”,“T”最多一次。
您必须指定“DataFormat”当输入数据dlX不是格式化的dlarray.
例子:“DataFormat”、“SSCB”
“DataFormat”、“SSCB”
焦点交叉熵损失,返回为dlarray没有尺寸标签的标量。输出海底具有与输入相同的底层数据类型dlX.
focalLossLayer|softmax(深度学习工具箱)|乙状结肠(深度学习工具箱)|crossentropy(深度学习工具箱)|均方误差(深度学习工具箱)
focalLossLayer
crossentropy
均方误差
您有这个示例的修改版本。您想打开这个示例与您的编辑吗?
你点击一个链接对应于这个MATLAB命令:
通过在MATLAB命令窗口中输入命令来运行命令。Web浏览器不支持MATLAB命令。万博1manbetx
选择一个网站,在那里获得翻译的内容,并看到当地的活动和优惠。根据您的位置,我们建议您选择:.
你也可以从以下列表中选择一个网站:
选择中国网站(中文或英文)以获得最佳网站性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。
与当地办事处联系