sigmoidLayer

Capa sigmoide

Descripción

Una capa sigmoide aplica una función sigmoide a la entrada de manera que la salida esté acotada en el intervalo (0,1).

Sugerencia

Para usar la capa sigmoide en problemas de clasificación multietiqueta o binaria, establezca el argumento de la función de pérdida de trainnet en "binary-crossentropy".

Creación

Sintaxis

layer = sigmoidLayer

layer = sigmoidLayer('Name',Name)

Descripción

layer = sigmoidLayer crea una capa sigmoide.

layer = sigmoidLayer('Name',Name) crea una capa sigmoide y establece la propiedad opcional Name usando un argumento de par nombre-valor. Por ejemplo, sigmoidLayer('Name','sig1') crea una capa sigmoide con el nombre 'sig1'. Debe encerrar el nombre de la propiedad entre comillas simples.

Propiedades

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, las funciones trainnet y dlnetwork asignan automáticamente nombres a las capas sin nombre.

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

Tipos de datos: char | string

NumInputs — Número de entradas

Solo lectura: 1 (predeterminado)

Esta propiedad o parámetro es de solo lectura.

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

Tipos de datos: double

InputNames — Nombres de las entradas

Solo lectura: {'in'} (predeterminado)

Esta propiedad o parámetro es de solo lectura.

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

Tipos de datos: cell

NumOutputs — Número de salidas

Solo lectura: 1 (predeterminado)

Esta propiedad o parámetro es de solo lectura.

Número de salidas de la capa, almacenado como 1. Esta capa solo tiene una salida.

Tipos de datos: double

OutputNames — Nombres de salida

Solo lectura: {'out'} (predeterminado)

Esta propiedad o parámetro es de solo lectura.

Nombres de salida, almacenados como {'out'}. Esta capa solo tiene una salida.

Tipos de datos: cell

Ejemplos

Crear una capa sigmoide

Cree una capa sigmoide con el nombre 'sig1'.

layer = sigmoidLayer('Name', 'sig1')

layer = 
  SigmoidLayer with properties:

    Name: 'sig1'

   Learnable Parameters
    No properties.

   State Parameters
    No properties.

  Show all properties

Algoritmos

Capa sigmoide

Una capa sigmoide aplica una función sigmoide a la entrada de manera que la salida esté acotada en el intervalo (0,1).

Esta operación es equivalente a

$$f(x)=\frac{1}{1+e^{-x}}.$$

Un problema de clasificación multietiqueta puede considerarse como un problema de clasificación binaria, en el que cada clase se considera de forma independiente de las demás, ya sea presente o no presente. Resolver este tipo de problema requiere la función de activación sigmoide, donde para cualquier muestra x_n la probabilidad posterior de la clase C_k es

$$\text{P(}{C}_k|x_n)=\frac{1}{1+e^{-a_k}}.$$

El valor a_k es la suma ponderada de todas las unidades que están conectadas a la clase k. Ejecutar una clasificación multietiqueta requiere una capa sigmoide seguida de una capa de pérdida de entropía cruzada binaria y personalizada.

Formatos de entrada y salida de capa

Las capas en un arreglo de capas o en una gráfica de capas pasan datos a las capas posteriores como objetos dlarray con formato. El formato de un objeto dlarray es una cadena de caracteres, en la que cada carácter describe la dimensión correspondiente de los datos. El formato consta de uno o más de estos caracteres:

• "S": espacial

• "C": canal

• "B": lote

• "T": tiempo

• "U": sin especificar

Por ejemplo, puede describir los datos de imagen 2D que están representados como arreglo 4D, donde las dos primeras dimensiones corresponden a las dimensiones espaciales de las imágenes, la tercera dimensión corresponde a los canales de las imágenes y la cuarta dimensión corresponde a la dimensión de lote, como datos con formato "SSCB" (espacial, espacial, canal, lote).

Los objetos SigmoidLayer aplican una operación por elemento y admiten datos de entrada con cualquier formato. La capa no añade ni elimina ninguna dimensión, por lo que genera datos con el mismo formato que sus datos de entrada.

Capacidades ampliadas

Generación de código C/C++
Genere código C y C++ mediante MATLAB® Coder™.

Generación de código de GPU
Genere código CUDA® para GPU NVIDIA® mediante GPU Coder™.

Historial de versiones

Introducido en R2020b

Consulte también

trainnet | trainingOptions | dlnetwork | convolution2dLayer | tanhLayer | softmaxLayer | exportNetworkToSimulink | Sigmoid Layer

Temas

• Crear una red neuronal de deep learning sencilla para clasificación
• Entrenar una red neuronal convolucional para regresión
• Deep learning en MATLAB
• Lista de capas de deep learning