classificationLayer
분류 출력 계층
설명
분류 계층은 상호 배타적인 클래스로의 분류 및 가중 분류 작업에서 교차 엔트로피 손실을 계산합니다.
이 계층은 이전 계층의 출력 크기로부터 클래스의 개수를 추정합니다. 예를 들어, 신경망의 클래스 개수 K를 지정하려면 분류 계층 앞에 출력 크기가 K인 완전 연결 계층 1개, 그리고 소프트맥스 계층 1개를 삽입하면 됩니다.
는 분류 계층을 만듭니다.layer
= classificationLayer
는 하나 이상의 이름-값 쌍을 사용하여 선택적으로 layer
= classificationLayer(Name,Value
)Name
, ClassWeights
, Classes
속성을 설정합니다. 예를 들어, classificationLayer('Name','output')
은 이름이 'output'
인 분류 계층을 만듭니다.
예제
분류 계층 만들기
이름이 'output'
인 분류 계층을 만듭니다.
layer = classificationLayer('Name','output')
layer = ClassificationOutputLayer with properties: Name: 'output' Classes: 'auto' ClassWeights: 'none' OutputSize: 'auto' Hyperparameters LossFunction: 'crossentropyex'
Layer
배열에 분류 출력 계층을 삽입합니다.
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 '' 2-D Convolution 20 5x5 convolutions with stride [1 1] and padding [0 0 0 0] 3 '' ReLU ReLU 4 '' 2-D 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
가중 분류 계층 만들기
이름이 "cat", "dog", "fish"이고 각각 가중치가 0.7, 0.2, 0.1인 3개의 클래스에 대한 가중 분류 계층을 만듭니다.
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'
Layer 배열에 가중 분류 출력 계층을 삽입합니다.
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 '' 2-D Convolution 20 5x5 convolutions with stride [1 1] and padding [0 0 0 0] 3 '' ReLU ReLU 4 '' 2-D 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
입력 인수
이름-값 인수
선택적 인수 쌍을 Name1=Value1,...,NameN=ValueN
으로 지정합니다. 여기서 Name
은 인수 이름이고 Value
는 대응값입니다. 이름-값 인수는 다른 인수 뒤에 와야 하지만, 인수 쌍의 순서는 상관없습니다.
R2021a 이전 릴리스에서는 쉼표를 사용하여 각 이름과 값을 구분하고 Name
을 따옴표로 묶으십시오.
예: classificationLayer('Name','output')
은 이름이 'output'
인 분류 계층을 만듭니다.
Name
— 계층 이름
''
(디폴트 값) | 문자형 벡터 | string형 스칼라
계층 이름으로, 문자형 벡터 또는 string형 스칼라로 지정됩니다. Layer
배열 입력값에 대해 trainNetwork
, assembleNetwork
, layerGraph
, dlnetwork
함수는 이름이 ''
인 계층에 자동으로 이름을 할당합니다.
데이터형: char
| string
ClassWeights
— 가중 교차 엔트로피 손실에 대한 클래스 가중치
'none'
(디폴트 값) | 양수로 구성된 벡터
가중 교차 엔트로피 손실에 대한 클래스 가중치로, 양수로 구성된 벡터 또는 'none'
으로 지정됩니다.
벡터 클래스 가중치의 경우 각 요소는 Classes
속성에 있는 대응하는 클래스에 대한 가중치를 나타냅니다. 클래스 가중치로 구성된 벡터를 지정하려면 'Classes'
를 사용하여 클래스도 지정해야 합니다.
ClassWeights
속성이 'none'
이면 계층은 비가중 교차 엔트로피 손실을 적용합니다.
Classes
— 출력 계층의 클래스
"auto"
(디폴트 값) | categorical형 벡터 | string형 배열 | 문자형 벡터로 구성된 셀형 배열
출력 계층의 클래스로, categorical형 벡터, string형 배열, 문자형 벡터로 구성된 셀형 배열 또는 "auto"
로 지정됩니다. Classes
가 "auto"
인 경우, 소프트웨어가 훈련 시점에 자동으로 클래스를 설정합니다. string형 배열 또는 문자형 벡터로 구성된 셀형 배열 str
을 지정하면, 출력 계층의 클래스가 categorical(str,str)
로 설정됩니다.
데이터형: char
| categorical
| string
| cell
출력 인수
layer
— 분류 계층
ClassificationOutputLayer
객체
분류 계층으로, ClassificationOutputLayer
객체로 반환됩니다.
계층을 결합하여 컨벌루션 신경망 아키텍처를 생성하는 방법은 Layer
를 참조하십시오.
세부 정보
분류 계층
분류 계층은 상호 배타적인 클래스로의 분류 및 가중 분류 작업에서 교차 엔트로피 손실을 계산합니다.
일반적인 분류 신경망에서 분류 계층은 대개 소프트맥스 계층 뒤에 옵니다. 분류 계층에서 trainNetwork
는 다음과 같이 소프트맥스 함수에서 값을 가져와 1-of-K 코딩 체계에 대한 교차 엔트로피 함수를 사용하여 각 입력값을 K개의 상호 배타적인 클래스 중 하나에 할당합니다[1].
여기서 N은 샘플의 개수이고, K는 클래스의 개수이고, 는 클래스 i의 가중치이고, 는 n번째 샘플이 i번째 클래스에 속한다는 표시자이고, 는 샘플 n의 클래스 i 쪽 출력값인데, 이 경우에는 소프트맥스 함수에서 가져온 값이 됩니다. 다시 말해서, 는 신경망이 n번째 입력값을 클래스 i에 연결할 확률입니다.
참고 문헌
[1] Bishop, C. M. Pattern Recognition and Machine Learning. Springer, New York, NY, 2006.
확장 기능
C/C++ 코드 생성
MATLAB® Coder™를 사용하여 C 코드나 C++ 코드를 생성할 수 있습니다.
GPU 코드 생성
GPU Coder™를 사용하여 NVIDIA® GPU용 CUDA® 코드를 생성할 수 있습니다.
버전 내역
R2016a에 개발됨
MATLAB 명령
다음 MATLAB 명령에 해당하는 링크를 클릭했습니다.
명령을 실행하려면 MATLAB 명령 창에 입력하십시오. 웹 브라우저는 MATLAB 명령을 지원하지 않습니다.
Select a Web Site
Choose a web site to get translated content where available and see local events and offers. Based on your location, we recommend that you select: .
You can also select a web site from the following list:
How to Get Best Site Performance
Select the China site (in Chinese or English) for best site performance. Other MathWorks country sites are not optimized for visits from your location.
Americas
- América Latina (Español)
- Canada (English)
- United States (English)
Europe
- Belgium (English)
- Denmark (English)
- Deutschland (Deutsch)
- España (Español)
- Finland (English)
- France (Français)
- Ireland (English)
- Italia (Italiano)
- Luxembourg (English)
- Netherlands (English)
- Norway (English)
- Österreich (Deutsch)
- Portugal (English)
- Sweden (English)
- Switzerland
- United Kingdom (English)