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

RegressionOutputLayer

회귀 출력 계층

설명

회귀 계층은 회귀 작업의 손실을 평균 제곱 오차의 절반을 취한 값으로 계산합니다.

생성

regressionLayer를 사용하여 회귀 출력 계층을 만듭니다.

속성

회귀 출력

ResponseNames — 응답 변수의 이름

{} (디폴트 값) | 문자형 벡터로 구성된 셀형 배열 | string형 배열

응답 변수의 이름으로, 문자형 벡터로 구성된 셀형 배열 또는 string형 배열로 지정됩니다. 소프트웨어는 훈련 시점에 훈련 데이터에 따라 자동으로 응답 변수의 이름을 설정합니다. 디폴트 값은 {}입니다.

데이터형: cell

LossFunction — 훈련에 대한 손실 함수

'mean-squared-error'

훈련에 사용할 손실 함수로, 'mean-squared-error'로 지정됩니다.

계층

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 ''로 설정된 Name으로 계층에 이름을 자동 할당합니다.

데이터형: char | string

NumInputs — 입력값의 개수

1 (디폴트 값)

이 속성은 읽기 전용입니다.

계층의 입력값 개수. 이 계층은 단일 입력값만 받습니다.

데이터형: double

InputNames — 입력값 이름

{'in'} (디폴트 값)

이 속성은 읽기 전용입니다.

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

회귀 출력 계층 만들기

이름이 'routput'인 회귀 출력 계층을 만듭니다.

layer = regressionLayer('Name','routput')

layer = 
  RegressionOutputLayer with properties:

             Name: 'routput'
    ResponseNames: {}

   Hyperparameters
     LossFunction: 'mean-squared-error'

회귀의 디폴트 손실 함수는 평균 제곱 오차입니다.

Layer 배열에 회귀 출력 계층을 삽입합니다.

layers = [ ...
    imageInputLayer([28 28 1])
    convolution2dLayer(12,25)
    reluLayer
    fullyConnectedLayer(1)
    regressionLayer]

layers = 
  5x1 Layer array with layers:

     1   ''   Image Input         28x28x1 images with 'zerocenter' normalization
     2   ''   Convolution         25 12x12 convolutions with stride [1  1] and padding [0  0  0  0]
     3   ''   ReLU                ReLU
     4   ''   Fully Connected     1 fully connected layer
     5   ''   Regression Output   mean-squared-error

세부 정보

회귀 출력 계층

회귀 계층은 회귀 작업의 손실을 평균 제곱 오차의 절반을 취한 값으로 계산합니다. 일반적인 회귀 문제에서 회귀 계층은 마지막 완전 연결 계층 뒤에 와야 합니다.

단일 관측값에 대해 평균 제곱 오차는 다음과 같이 표현됩니다.

$$\text{MSE}={\displaystyle \sum }_{i=1}^R\frac{{(t_i-y_i)}^2}{R},$$

여기서 R은 응답 변수의 개수이고, t_i는 목표 출력값이고, y_i는 i번째 응답 변수에 대한 신경망의 예측값입니다.

영상 및 sequence-to-one 회귀 신경망의 경우, 회귀 계층의 손실 함수는 R에 의해 정규화되지 않은, 예측된 응답 변수의 평균 제곱 오차의 절반입니다.

$$\text{loss}=\frac{1}{2}{\displaystyle \sum }_{i=1}^R{(t_i-y_i)}^2.$$

image-to-image 회귀 신경망의 경우, 회귀 계층의 손실 함수는 R에 의해 정규화되지 않은, 각 픽셀에 대해 예측된 응답 변수의 평균 제곱 오차의 절반입니다.

$$\text{loss}=\frac{1}{2}{\displaystyle \sum }_{p=1}^{HWC}{(t_p-y_p)}^2,$$

여기서 H, W, C는 각각 출력값의 높이, 너비, 채널 개수를 나타내고, p는 t와 y의 각 요소(픽셀)를 선형적으로 참조합니다.

sequence-to-sequence 회귀 신경망의 경우, 회귀 계층의 손실 함수는 R에 의해 정규화되지 않은, 각 시간 스텝에 대해 예측된 응답 변수의 평균 제곱 오차의 절반입니다.

$$\text{loss}=\frac{1}{2S}{\displaystyle \sum }_{i=1}^S{\displaystyle \sum }_{j=1}^R{(t_{ij}-y_{ij})}^2,$$

여기서 S는 시퀀스 길이입니다.

훈련 시에 소프트웨어는 미니 배치에 있는 관측값에 대해 손실 평균을 계산합니다.

버전 내역

R2017a에 개발됨

참고 항목

trainNetwork | regressionLayer | classificationLayer | fullyConnectedLayer

도움말 항목

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

×

예제 열기

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

아니요, 수정된 버전을 덮어씁니다. 예