ClassificationOutputLayer

(권장되지 않음) 분류 출력 계층

ClassificationOutputLayer 객체가 권장됩니다. 대신 trainnet 함수를 사용하고 손실 함수를 "crossentropy"로 설정하십시오. 자세한 내용은 버전 내역을 참조하십시오.

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 옵션을 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

읽기 전용 속성입니다.

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

LossFunction — 훈련에 대한 손실 함수

'crossentropyex'

읽기 전용 속성입니다.

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. Layer 배열 입력값에 대해 trainNetwork 함수는 이름이 ""인 계층에 자동으로 이름을 할당합니다.

ClassificationOutputLayer 객체는 이 속성을 문자형 벡터로 저장합니다.

데이터형: char | string

NumInputs — 입력값의 개수

1 (디폴트 값)

계층에 대한 입력값의 개수로, 1로 반환됩니다. 이 계층은 단일 입력값만 받습니다.

데이터형: double

InputNames — 입력값 이름

{'in'} (디폴트 값)

입력값 이름으로, {'in'}으로 반환됩니다. 이 계층은 단일 입력값만 받습니다.

데이터형: cell

NumOutputs — 출력값 개수

0 (디폴트 값)

계층의 출력값 개수로, 0으로 반환됩니다. 이 계층에는 출력값이 없습니다.

데이터형: double

OutputNames — 출력값 이름

{} (디폴트 값)

계층의 출력값 이름으로, {}로 반환됩니다. 이 계층에는 출력값이 없습니다.

데이터형: cell

예제

분류 계층 만들기

분류 계층을 만듭니다.

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

세부 정보

분류 출력 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 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_i는 클래스 i의 가중치이고, t_ni는 샘플 n이 클래스 i에 속한다는 표시자이고, y_ni는 클래스 i의 샘플 n에 대한 출력값인데, 이 경우에는 소프트맥스 함수에서 가져온 값이 됩니다. 다시 말해서, y_ni는 신경망이 관측값 n을 클래스 i에 연결할 확률입니다.

참고 문헌

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

버전 내역

R2016a에 개발됨

R2024a: 권장되지 않음

R2024a부터 ClassificationOutputLayer 객체는 권장되지 않습니다. 대신 trainnet을 사용하고 손실 함수를 "crossentropy"로 설정하십시오.

ClassificationOutputLayer 객체에 대한 지원을 제거할 계획은 없습니다. 하지만 다음과 같은 이점이 있는 trainnet 함수가 대신 권장됩니다.

• trainnet은 외부 플랫폼에서 만들거나 가져올 수 있는 더 넓은 범위의 신경망 아키텍처를 지원하는 dlnetwork 객체를 지원합니다.

• trainnet을 사용하면 손실 함수를 쉽게 지정할 수 있습니다. 내장 손실 함수 중에서 선택하거나 사용자 지정 손실 함수를 지정할 수 있습니다.

• trainnet은 신경망 구축, 예측, 기본 제공 훈련, 시각화, 압축, 검증, 사용자 지정 훈련 루프를 지원하는 통합 데이터형인 dlnetwork 객체를 출력합니다.

• trainnet이 trainNetwork보다 일반적으로 더 빠릅니다.

다음 표에서는 trainNetwork 함수를 ClassificationOutputLayer 객체와 함께 사용하는 몇 가지 방법과 trainnet 함수를 대신 사용하도록 코드를 업데이트하는 방법을 보여줍니다.

권장되지 않음	권장됨
net = trainNetwork(data,layers,options). 여기서 layers는 ClassificationOutputLayer 객체를 포함합니다.	net = trainnet(data,layers,"crossentropy",options); 이 예에서 layers는 ClassificationOutputLayer 객체가 포함되지 않은 동일한 신경망을 지정합니다.
net = trainNetwork(data,layers,options). 여기서 layers는 ClassWeights가 숫자형 벡터로 설정된 ClassificationOutputLayer 객체를 포함합니다.	lossFcn = @(Y,T) crossentropy(Y,T,Weights=weights); net = trainnet(data,layers,"crossentropy",options); 이 예에서 weights는 클래스 가중치를 지정하고 layers는 ClassificationOutputLayer 객체가 포함되지 않은 동일한 신경망을 지정합니다.

R2018b: ClassNames 속성 제거 예정

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 항목

trainnet | trainingOptions | dlnetwork | softmaxLayer

도움말 항목

• 분류를 수행하는 간단한 딥러닝 신경망 만들기
• 회귀를 위해 컨벌루션 신경망 훈련시키기
• Train Sequence Classification Network Using Data With Imbalanced Classes
• MATLAB의 딥러닝
• 딥러닝 계층 목록