이 번역 페이지는 최신 내용을 담고 있지 않습니다. 최신 내용을 영문으로 보려면 여기를 클릭하십시오.

ClassificationOutputLayer

분류 계층

설명

분류 계층은 상호 배타적인 클래스로의 분류 및 가중 분류 작업에서 교차 엔트로피 손실을 계산합니다.

생성

classificationLayer를 사용하여 분류 계층을 만듭니다.

속성

분류 출력

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. Classes가 'auto'인 경우, 소프트웨어가 훈련 시점에 자동으로 클래스를 설정합니다. string형 배열 또는 문자형 벡터로 구성된 셀형 배열 str을 지정하면, 출력 계층의 클래스가 categorical(str,str)로 설정됩니다.

데이터형: char | categorical | string | cell

OutputSize — 출력 크기

'auto' (디폴트 값) | 양의 정수

이 속성은 읽기 전용입니다.

출력 크기로, 양의 정수로 지정됩니다. 이 값은 데이터에 있는 레이블의 개수입니다. 훈련 전에는 출력 크기가 'auto'로 설정됩니다.

LossFunction — 훈련에 대한 손실 함수

'crossentropyex'

이 속성은 읽기 전용입니다.

훈련에 대한 손실 함수로, Cross Entropy Function for k Mutually Exclusive Classes(k개의 상호 배타적인 클래스에 대한 교차 엔트로피 함수)를 나타내는 'crossentropyex'로 지정됩니다.

계층

Name — 계층 이름

'' (디폴트 값) | 문자형 벡터 | string형 스칼라

계층 이름으로, 문자형 벡터 또는 string형 스칼라로 지정됩니다. 계층 그래프에 계층을 포함하려면 비어 있지 않은 고유한 계층 이름을 지정해야 합니다. 이 계층을 사용하여 시리즈 신경망을 훈련시킬 때 Name을 ''로 설정하면, 소프트웨어가 훈련 시점에 해당 계층에 자동으로 이름을 할당합니다.

데이터형: char | string

NumInputs — 입력값의 개수

1 (디폴트 값)

계층의 입력값 개수. 이 계층은 단일 입력값만 받습니다.

데이터형: double

InputNames — 입력값 이름

{'in'} (디폴트 값)

계층의 입력값 이름. 이 계층은 단일 입력값만 받습니다.

데이터형: cell

NumOutputs — 출력값 개수

0 (디폴트 값)

계층의 출력값 개수. 이 계층에는 출력값이 없습니다.

데이터형: double

OutputNames — 출력값 이름

{} (디폴트 값)

계층의 출력값 이름. 이 계층에는 출력값이 없습니다.

데이터형: cell

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   ''   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

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   ''   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

세부 정보

분류 출력 계층

분류 계층은 상호 배타적인 클래스로의 분류 및 가중 분류 작업에서 교차 엔트로피 손실을 계산합니다.

일반적인 분류 신경망에서 분류 계층은 소프트맥스 계층 뒤에 와야 합니다. 분류 계층에서 trainNetwork는 다음과 같이 소프트맥스 함수에서 값을 가져와서 1-of-K 코딩 체계에 대한 교차 엔트로피 함수를 사용하여 각 입력값을 K개의 상호 배타적인 클래스 중 하나에 할당합니다[1].

$$\text{loss}=-\frac{1}{N}{\displaystyle \sum _{n=1}^N{\displaystyle \sum }_{i=1}^K}\text{}{w}_i{\text{t}}_{ni}\ln y_{ni},$$

여기서 N은 샘플의 개수이고, K는 클래스의 개수이고, $$w_i$$는 클래스 i의 가중치이고, $$t_{ni}$$는 n번째 샘플이 i번째 클래스에 속한다는 표시자이고, $$y_{ni}$$는 클래스 i의 샘플 n에 대한 출력값인데, 이 경우에는 소프트맥스 함수에서 가져온 값이 됩니다. 다시 말해서, $$y_{ni}$$는 신경망이 n번째 입력값을 클래스 i에 연결할 확률입니다.

호환성 관련 고려 사항

ClassNames 속성 제거 예정

R2018b부터 권장되지 않음

ClassNames는 제거될 예정입니다. Classes를 대신 사용하십시오. ClassNames를 모두 Classes로 바꾸어 코드를 업데이트하십시오. 속성 간에 몇 가지 차이가 있어 추가로 코드를 업데이트해야 합니다.

출력 계층의 ClassNames 속성은 문자형 벡터로 구성된 셀형 배열입니다. Classes 속성은 categorical형 배열입니다. 셀형 배열 입력값이 필요한 함수와 함께 Classes의 값을 사용하려면 cellstr 함수를 사용하여 클래스를 변환하십시오.

참고 문헌

[1] Bishop, C. M. Pattern Recognition and Machine Learning. Springer, New York, NY, 2006.

참고 항목

regressionLayer | softmaxLayer

도움말 항목

• 간단한 분류용 딥러닝 신경망 만들기
• 회귀를 위해 컨벌루션 신경망 훈련시키기
• MATLAB의 딥러닝
• 컨벌루션 신경망의 계층 지정하기
• 딥러닝 계층 목록

R2016a에 개발됨

×

예제 열기

이 예제의 수정된 버전이 있습니다. 사용자가 편집한 내용을 반영하여 이 예제를 여시겠습니까?

아니요, 수정된 버전을 덮어씁니다. 예