ClassificationOutputLayer

(No recomendado) Capa de clasificación de salida

Se recomiendan los objetos ClassificationOutputLayer. En su lugar, utilice la función trainnet y establezca la función de pérdida en "crossentropy". Para obtener más información, consulte Historial de versiones.

Descripción

Una capa de clasificación calcula la pérdida de entropía cruzada de las tareas de clasificación y clasificación ponderada con clases mutuamente excluyentes.

Creación

Cree una capa de clasificación con classificationLayer.

Propiedades

Clasificación de salida

ClassWeights — Pesos de clase de la pérdida de entropía cruzada ponderada

'none' (predeterminado) | vector de números positivos

Pesos de clase de la pérdida de entropía cruzada ponderada, especificados como un vector de números positivos o 'none'.

Cada elemento de los pesos de clase del vector representa el peso de la clase correspondiente en la propiedad Classes. Para especificar un vector de pesos de clase, debe especificar también las clases con la opción Classes.

Si la propiedad ClassWeights es 'none', la capa aplica la pérdida de entropía cruzada no ponderada.

Classes — Clases de la capa de salida

"auto" (predeterminado) | vector categórico | arreglo de cadena | arreglo de celdas de vectores de caracteres

Clases de la capa de salida, especificadas como un vector categórico, un arreglo de cadenas, un arreglo de celdas de vectores de caracteres o "auto". Si Classes es "auto", el software establece automáticamente las clases en el momento del entrenamiento. Si especifica el arreglo de cadenas o el arreglo de celdas de vectores de caracteres str, el software establece las clases de la capa de salida en categorical(str,str).

Tipos de datos: char | categorical | string | cell

OutputSize — Tamaño de la salida

Solo lectura: 'auto' (predeterminado) | entero positivo

Esta propiedad o parámetro es de solo lectura.

Tamaño de la salida, especificado como entero positivo. Este valor es el número de etiquetas en los datos. Antes del entrenamiento, el tamaño de la salida se establece en 'auto'.

LossFunction — Función de pérdida para el entrenamiento

Solo lectura: 'crossentropyex'

Esta propiedad o parámetro es de solo lectura.

Función de pérdida para el entrenamiento, especificada como 'crossentropyex', que significa función de entropía cruzada para k clases mutuamente excluyentes.

Capa

Name — Nombre de la capa

"" (predeterminado) | vector de caracteres | escalar de cadena

Nombre de la capa, especificado como un vector de caracteres o un escalar de cadena. Para entradas en forma de arreglo Layer, la función trainNetwork asigna automáticamente nombres a las capas con el nombre "".

El objeto ClassificationOutputLayer almacena esta propiedad como un vector de caracteres.

Tipos de datos: char | string

NumInputs — Número de entradas

1 (predeterminado)

Número de entradas a la capa, devuelto como 1. Esta capa solo admite una entrada.

Tipos de datos: double

InputNames — Nombres de las entradas

{'in'} (predeterminado)

Nombres de entrada, devueltos como {'in'}. Esta capa solo admite una entrada.

Tipos de datos: cell

NumOutputs — Número de salidas

0 (predeterminado)

Número de salidas de la capa, devuelto como 0. Esta capa no tiene salidas.

Tipos de datos: double

OutputNames — Nombres de salida

{} (predeterminado)

Nombres de las salidas de la capa, devuelto como {}. Esta capa no tiene salidas.

Tipos de datos: cell

Ejemplos

Crear una capa de clasificación

Cree una capa de clasificación.

Cree una capa de clasificación con el nombre 'output'.

layer = classificationLayer('Name','output')

layer = 
  ClassificationOutputLayer with properties:

            Name: 'output'
         Classes: 'auto'
    ClassWeights: 'none'
      OutputSize: 'auto'

   Hyperparameters
    LossFunction: 'crossentropyex'

Incluya una capa de clasificación de salida en un arreglo Layer.

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

Más acerca de

Capa de clasificación de salida

Una capa de clasificación calcula la pérdida de entropía cruzada de las tareas de clasificación y clasificación ponderada con clases mutuamente excluyentes.

Normalmente, la capa de clasificación suele ir precedida de una capa softmax en las redes de clasificación. En la capa de clasificación, trainNetwork toma los valores de la función softmax y asigna cada entrada a una de las clases mutuamente excluyentes K usando la función de entropía cruzada para un esquema de codificación de 1 de K [1]:

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

donde N es el número de muestras, K es el número de clases, w_i es el peso de la clase i, t_ni es el indicador de que la muestra n pertenece a la clase i, e y_ni es la salida de la muestra n para la clase i, que en este caso es el valor de la función softmax. En otras palabras, y_ni es la probabilidad de que la red asocie la observación n a la clase i.

Referencias

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

Historial de versiones

Introducido en R2016a

R2024a: No recomendado

A partir de la versión R2024a, los objetos ClassificationOutputLayer no están recomendados. En su lugar, utilice trainnet y establezca la función de pérdida en "crossentropy".

No está previsto eliminar el soporte para los objetos ClassificationOutputLayer. Sin embargo, en su lugar se recomienda la función trainnet, que tiene estas ventajas:

• trainnet admite los objetos dlnetwork, que admiten una gama más amplia de arquitecturas de red que puede crear o importar desde plataformas externas.

• trainnet le permite especificar fácilmente funciones de pérdida. Puede seleccionar entre funciones de pérdida integradas o especificar una función de pérdida personalizada.

• trainnet produce como salida un objeto dlnetwork, que es un tipo de datos unificado que admite la creación de redes, la predicción, el entrenamiento integrado, la visualización, la compresión, la verificación y los bucles de entrenamiento personalizados.

• trainnet suele ser más rápida que trainNetwork.

Esta tabla muestra algunos usos habituales de la función trainNetwork con los objetos ClassificationOutputLayer y cómo actualizar el código para usar la función trainnet en su lugar.

No recomendado	Recomendado
net = trainNetwork(data,layers,options), donde layers contiene un objeto ClassificationOutputLayer.	net = trainnet(data,layers,"crossentropy",options); En este ejemplo, layers especifica la misma red sin un objeto ClassificationOutputLayer.
net = trainNetwork(data,layers,options), donde layers contiene un objeto ClassificationOutputLayer con ClassWeights establecido como un vector numérico.	lossFcn = @(Y,T) crossentropy(Y,T,Weights=weights); net = trainnet(data,layers,"crossentropy",options); En este ejemplo, weights especifica los pesos de clase y layers especifica la misma red sin un objeto ClassificationOutputLayer.

R2018b: La propiedad ClassNames se eliminará

ClassNames se eliminará. En su lugar, use Classes. Para actualizar el código, reemplace todas las instancias de ClassNames con Classes. Hay algunas diferencias entre las propiedades que requieren actualizaciones adicionales en el código.

La propiedad ClassNames de la capa de salida es un arreglo de celdas de vectores de caracteres. La propiedad Classes es un arreglo categórico. Para usar el valor de Classes con funciones que requieren la entrada de un arreglo de celdas, convierta las clases con la función cellstr.

Consulte también

trainnet | trainingOptions | dlnetwork | softmaxLayer

Temas

• Crear una red neuronal de deep learning sencilla para clasificación
• Entrenar una red neuronal convolucional para regresión
• Train Sequence Classification Network Using Data with Imbalanced Classes
• Deep learning en MATLAB
• Lista de capas de deep learning