【matlab深度学习工具箱】classificationLayer参数详解

classificationLayer

文章目录

  • classificationLayer
    • 语法
    • 描述
    • 例子
      • 创建分类图层
      • 创建加权分类图层
    • 输入参数
      • 名称-值参数
      • `Name`— 图层名称 `" "`(默认)|字符向量|字符串标量
      • `ClassWeights`— 加权交叉熵损失 `"none"`(默认值)的类权重|正数向量
      • `Classes`— 输出层 `的类"auto"`(默认)|分类向量|字符串数组 |字符向量的单元格数组
    • 输出参数
      • `layer`— 分类层 `分类输出层`对象

分类输出图层

语法

layer = classificationLayer
layer = classificationLayer(Name,Value)

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。

该层根据前一层的输出大小推断类的数量。例如,要指定网络的类 K 的数量,可以在分类图层之前包括输出大小为 K 的全连接图层和 softmax 图层。

图层 = 分类图层创建分类图层。

layer = classificationLayer(Name,Value)` 使用一个或多个名称-值对设置可选的 、 和属性。例如,创建名为 的分类图层。`Name``ClassWeights``Classes``classificationLayer('Name','output')``'output'

例子

创建分类图层

复制命令复制代码

创建名为 的分类图层。'output'

layer = classificationLayer('Name','output')
layer = 
  ClassificationOutputLayer with properties:

            Name: 'output'
         Classes: 'auto'
    ClassWeights: 'none'
      OutputSize: 'auto'

   Hyperparameters
    LossFunction: 'crossentropyex'

在数组中包括分类输出图层。Layer

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

创建加权分类图层

复制命令复制代码

为名称分别为“cat”、“dog”和“fish”的三个类创建加权分类图层,权重分别为 0.7、0.2 和 0.1。

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'

在图层数组中包括加权分类输出图层。

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

输入参数

名称-值参数

指定可选的逗号分隔参数对。 是参数名称,并且是相应的值。 必须出现在引号内。可以按任意顺序指定多个名称和值对参数,如 。Name,Value``Name``Value``Name``Name1,Value1,...,NameN,ValueN

示例:分类层(“名称”、“输出”)创建一个名为“输出”的分类图层

Name— 图层名称 " "(默认)|字符向量|字符串标量

图层名称,指定为字符向量或字符串标量。对于 Layer 数组输入,trainNetworkassembleNetworklayerGraphdlnetwork 函数会自动为 Name 设置为 '' 的层分配名称

数据类型: char|string

ClassWeights— 加权交叉熵损失 "none"(默认值)的类权重|正数向量

加权交叉熵损失的类权重,指定为正数或 的向量。'none'

对于矢量类权重,每个元素表示属性中相应类的权重。若要指定类权重的向量,还必须使用“Classes”指定类。Classes

如果属性为 ,则层应用未加权的交叉熵损失。ClassWeights``'none'

Classes— 输出层 的类"auto"(默认)|分类向量|字符串数组 |字符向量的单元格数组

输出层的类,指定为分类向量、字符串数组、字符向量单元格数组或“auto”。如果课程“自动”的,则软件会在训练时自动设置课程。如果指定字符串数组或字符向量 str 的单元格数组,则软件会将输出层的类设置为 categorical(str,str)。

数据类型: char| categorical|string|cell

输出参数

layer— 分类层 分类输出层对象

分类层,作为 ClassificationOutputLayer 对象返回。

你可能感兴趣的:(DeepLearning工具箱,matlab,matlab,深度学习,开发语言)