이 페이지의 최신 내용은 아직 번역되지 않았습니다. 최신 내용은 영문으로 볼 수 있습니다.

softmaxLayer

소프트맥스 계층

설명

소프트맥스 계층은 입력값에 소프트맥스 함수를 적용합니다.

생성

구문

layer = softmaxLayer

layer = softmaxLayer('Name',Name)

설명

layer = softmaxLayer는 소프트맥스 계층을 만듭니다.

layer = softmaxLayer('Name',Name)은 소프트맥스 계층을 만들고 이름-값 쌍을 사용하여 선택적 속성인 Name을 설정합니다. 예를 들어, softmaxLayer('Name','sm1')은 이름이 'sm1'인 소프트맥스 계층을 만듭니다. 속성 이름을 작은따옴표로 묶습니다.

속성

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 네트워크를 훈련시킬 때 Name을 ''로 설정하면, 소프트웨어가 훈련 시점에 해당 계층에 자동으로 이름을 할당합니다.

데이터형: char | string

예제

소프트맥스 계층 만들기

이름이 sm1'인 소프트맥스 계층을 만듭니다.

layer = softmaxLayer('Name','sm1')

layer = 
  SoftmaxLayer with properties:

    Name: 'sm1'

Layer 배열에 소프트맥스 계층을 포함시킵니다.

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

세부 정보

소프트맥스 계층

소프트맥스 계층은 입력값에 소프트맥스 함수를 적용합니다.

분류 문제에서 소프트맥스 계층과 그 뒤의 분류 계층은 마지막 완전 연결 계층 뒤에 와야 합니다.

출력 유닛 활성화 함수는 다음과 같은 소프트맥스 함수입니다.

$$y_r\left(x\right)=\frac{\exp \left(a_r\left(x\right)\right)}{{\displaystyle \sum _{j=1}^k\exp \left(a_j\left(x\right)\right)}},$$

여기서 $$0\le y_r\le 1$$이고 $${\displaystyle \sum _{j=1}^k{y}_j=1}$$입니다.

다중클래스 분류 문제에서 소프트맥스 함수는 마지막 완전 연결 계층 뒤에 오는 출력 유닛 활성화 함수입니다.

$$P\left(c_r|x,\theta \right)=\frac{P\left(x,\theta |c_r\right)P\left(c_r\right)}{{\displaystyle \sum _{j=1}^{k}P\left(x,\theta |c_j\right)P\left(c_j\right)}}=\frac{\exp \left(a_r\left(x,\theta \right)\right)}{{\displaystyle \sum _{j=1}^k\exp \left(a_j\left(x,\theta \right)\right)}},$$

여기서 $$0\le P\left(c_r|x,\theta \right)\le 1$$이고 $${\displaystyle \sum _{j=1}^{k}P\left(c_j|x,\theta \right)=1}$$입니다. 그리고, $$a_r=\ln \left(P\left(x,\theta |c_r\right)P\left(c_r\right)\right)$$, $$P\left(x,\theta |c_r\right)$$는 주어진 샘플 클래스 r에 대한 조건부 확률이고, $$P\left(c_r\right)$$는 클래스 사전 확률입니다.

소프트맥스 함수는 정규화된 지수라고 알려져 있으며, 로지스틱 시그모이드 함수의 다중클래스 일반화로 간주되기도 합니다 [1].

참고 문헌

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

참고 항목

ClassificationOutputLayer | Convolution2dLayer | FullyConnectedLayer | trainNetwork

도움말 항목

• 간단한 분류용 심층 학습 네트워크 만들기
• 회귀를 위해 컨벌루션 신경망 훈련시키기
• Deep Learning in MATLAB
• Specify Layers of Convolutional Neural Network
• List of Deep Learning Layers

R2016a에 개발됨