Definiálja az egyedi súlyozott osztályozási réteget - MATLAB; Simulink

Tipp

Kereszt entrópia veszteséggel rendelkező osztályozási kimeneti réteg felépítéséhez k egymást kizáró osztályokhoz használja az osztályozási rétegt. Ha más veszteségfüggvényt szeretne használni osztályozási problémáihoz, akkor meghatározhat egy egyedi besorolási kimeneti réteget, ha ezt a példát használja útmutatóként.

Ez a példa bemutatja, hogyan lehet meghatározni és létrehozni egy egyedi súlyozott osztályozási kimeneti réteget súlyozott kereszt entrópia veszteséggel. Az osztályok kiegyensúlyozatlan eloszlásával osztályozási problémákhoz használjon súlyozott osztályozási réteget. A súlyozott besorolási réteg hálózati használatát bemutató példához lásd: Beszédparancs-felismerés a mély tanulás segítségével.

Egyéni besorolási kimeneti réteg definiálásához használhatja az ebben a példában megadott sablont, amely végigvezet a következő lépéseken:

Nevezze meg a réteget - Adjon nevet a rétegnek, hogy az használható legyen a MATLAB ® alkalmazásban .

A réteg tulajdonságainak deklarálása - Adja meg a réteg tulajdonságait.

Konstruktorfüggvény létrehozása (opcionális) - Adja meg a réteg felépítésének és tulajdonságainak inicializálásának módját. Ha nem ad meg konstruktorfüggvényt, akkor a szoftver inicializálja a tulajdonságokat a létrehozáskor.

Hozzon létre egy előrejelzési funkciót - Adja meg a veszteséget az előrejelzések és az edzés céljai között.

Hozzon létre visszamenőleges veszteségfüggvényt (opcionális) - Adja meg a veszteség deriváltját az előrejelzések szempontjából. Ha nem ad meg visszamenőleges veszteség funkciót, akkor az előre vesztés funkciónak támogatnia kell a dlarray objektumokat.

A súlyozott osztályozási réteg kiszámítja a súlyozott kereszt entrópia veszteséget az osztályozási problémákra. A súlyozott kereszt entrópia két folyamatos véletlen változó hibamértéke. Az Y jóslati pontszámok és a T edzéscélok esetében az Y és T közötti kereszt entrópia súlyozott veszteségét adja meg

L = - 1 N ∑ n = 1 N ∑ i = 1 K w i T n i log (Y n i),

ahol N a megfigyelések száma, K az osztályok száma és w az egyes osztályok súlyvektora.

Osztályozás kimeneti réteg sablon

Másolja az osztályozási kimeneti réteg sablonját egy új fájlba a MATLAB-ban. Ez a sablon felvázolja az osztályozási kimeneti réteg felépítését, és tartalmazza azokat a függvényeket, amelyek meghatározzák a réteg viselkedését.

Nevezze el a réteget

Először adjon nevet a rétegnek. Az osztályfájl első sorában cserélje le a meglévő myClassificationLayer nevet a weightedClassificationLayer névre .

Ezután nevezze át a myClassificationLayer konstruktor függvényt (a Metódus szakasz első függvénye) úgy, hogy ugyanaz legyen a neve, mint a fólia.

Mentse el a réteget

Mentsük el a réteg osztályfájlt egy új, weightedClassificationLayer.m nevű fájlba. A fájlnévnek meg kell egyeznie a réteg nevével. A réteg használatához el kell mentenie a fájlt az aktuális mappába vagy a MATLAB elérési út mappájába.

Nyújtsa be a réteg tulajdonságait

A tulajdonságok szakaszban deklarálja a réteg tulajdonságait.

Alapértelmezés szerint az egyéni kimeneti rétegek a következő tulajdonságokkal rendelkeznek:

Név - Réteg neve, karaktervektorként vagy karakterlánc skalárként megadva. Ha egy réteget felvesz egy rétegdiagramba, meg kell adnia egy nem üres egyedi rétegnevet. Ha egy soros hálózatot oktat a fóliával, és a Név értéke '', akkor a szoftver az edzés idején automatikusan nevet rendel a fóliához.

Leírás - A réteg egysoros leírása karaktervektorként vagy karakterlánc skalárként megadva. Ez a leírás akkor jelenik meg, amikor a réteg megjelenik egy réteg tömbben. Ha nem ad meg rétegleírást, akkor a szoftver megjeleníti a "Osztályozási kimenet" vagy a "Regressziós kimenet" .

Típus - A réteg típusa, karaktervektorként vagy karakterlánc skalárként megadva. A Type értéke akkor jelenik meg, amikor a réteg megjelenik egy Layer tömbben. Ha nem ad meg rétegtípust, akkor a szoftver megjeleníti a rétegosztály nevét.

Az egyéni besorolási rétegeknek a következő tulajdonságuk is van:

Osztályok - A kimeneti réteg osztályai, kategorikus vektorként, string tömbként, karaktervektorok cellatömbjeként vagy „auto” -ként megadva. Ha az Osztályok 'automatikus', akkor a szoftver automatikusan beállítja az osztályokat az edzés idejére. Ha megadja az str karaktervektorok vagy cellatömböket, akkor a szoftver kategorikusra állítja a kimeneti réteg osztályait (str, str). Az alapértelmezett érték 'auto' .

Az egyéni regressziós rétegeknek a következő tulajdonságuk is van:

ResponseNames - A válaszok nevei, megadva egy karaktervektor cellatömböt vagy egy string tömböt. Edzéskor a szoftver automatikusan beállítja a válaszneveket a képzési adatoknak megfelelően. Az alapértelmezett <> .

Ha a rétegnek nincsenek egyéb tulajdonságai, akkor kihagyhatja a tulajdonságok részt.

Ebben a példában a réteg további tulajdonságot igényel az osztály súlyainak mentéséhez. Adja meg a ClassWeights tulajdonságot a tulajdonságok részben.

Konstruktor funkció létrehozása

Hozza létre azt a függvényt, amely felépíti a réteget és inicializálja a réteg tulajdonságait. Adja meg a réteg létrehozásához szükséges változókat a konstruktor függvényének bemeneteként.

Adja meg a ClassWeights tulajdonsághoz rendelendő input argumentumot. Adjon meg egy opcionális bemeneti argumentum nevet is, amelyet a Név tulajdonsághoz kell hozzárendelni a létrehozáskor. Vegyen fel egy megjegyzést a függvény tetejére, amely elmagyarázza a függvény szintaxisait.

Inicializálja a réteg tulajdonságait

Cserélje ki a megjegyzést A% Layer konstruktor függvény itt olyan kóddal jelenik meg, amely inicializálja a réteg tulajdonságait.

Adjon egyrétegű leírást a rétegnek a réteg Leírás tulajdonságának beállításával. Állítsa a Név tulajdonságot az opcionális bemeneti argumentum névre .

Hozzon létre Forward Loss Function

Hozzon létre egy forwardLoss nevű függvényt, amely visszaadja a súlyozott kereszt entrópia veszteséget a hálózat által készített előrejelzések és a képzési célok között. A forwardLoss szintaxisa veszteség = forwardLoss (réteg, Y, T), ahol Y az előző réteg kimenete, T pedig a képzési célokat jelenti.

Osztályozási problémák esetén a T méretei a probléma típusától függenek.

Osztályozás TaskInput SizeObservation Dimension

2-D képosztályozás	1-by-1-by-K-by-N, ahol K az osztályok száma és N a megfigyelések száma.	4
3D-s képosztályozás	1-by-1-by-1-by-K-by-N, ahol K az osztályok száma és N a megfigyelések száma.	5.
Szekvencia-címke osztályozás	K-by-N, ahol K az osztályok száma és N a megfigyelések száma.	2
Szekvencia-szekvencia osztályozás	K-by-N-by-S, ahol K az osztályok száma, N a megfigyelések száma és S a szekvencia hossza.	2

Y mérete az előző réteg kimenetétől függ. Annak biztosítására, hogy Y azonos méretű legyen, mint a T, a kimeneti réteg előtt be kell illesztenie egy réteget, amely a megfelelő méretet adja ki. Például annak biztosítására, hogy Y a K osztályok predikciós pontszámainak 4-D tömbje, felvehet egy teljesen összekapcsolt K méretű réteget, amelyet egy softmax réteg követ a kimeneti réteg előtt.

L = - 1 N ∑ n = 1 N ∑ i = 1 K w i T n i log (Y n i),

ahol N a megfigyelések száma, K az osztályok száma és w az egyes osztályok súlyvektora.

Az Y és T bemenetek megfelelnek az Y és T egyenletnek. A kimeneti veszteség L-nek felel meg. Adjon meg egy megjegyzést a függvény tetejére, amely elmagyarázza a függvény szintaxisait.

Mivel a forwardLoss függvény csak olyan funkciókat használ, amelyek támogatják a dlarray objektumokat, a backwardLoss függvény meghatározása nem kötelező. A dlarray objektumokat támogató funkciók listáját lásd: A dlarray támogatással rendelkező funkciók listája.

Befejezett réteg

Az elkészült osztályozási kimeneti réteg osztályfájljának megtekintése.

GPU kompatibilitás

Ha a réteg előre funkciói teljes mértékben támogatják a Dlarray objektumokat, akkor a réteg GPU-kompatibilis. Egyébként a GPU-kompatibilitás érdekében a rétegfunkcióknak támogatniuk kell a gpuArray (Parallel Computing Toolbox) típusú bemeneteket és visszatérő kimeneteket .

Sok MATLAB beépített funkció támogatja a gpuArray (Parallel Computing Toolbox) és a dlarray bemeneti argumentumokat. A dlarray objektumokat támogató funkciók listáját lásd: A dlarray támogatással rendelkező funkciók listája. A GPU-n végrehajtott funkciók listáját lásd: MATLAB függvények futtatása GPU-n (Parallel Computing Toolbox). A GPU mély tanuláshoz való használatához rendelkeznie kell egy CUDA®-kompatibilis NVIDIA® GPU-val, amely 3.0 vagy magasabb számítási képességgel rendelkezik. További információ a GPU-k használatáról a MATLAB-ban: GPU-számítás a MATLAB-ban (Parallel Computing Toolbox) .

A forwardLoss-ban a weightedClassificationLayer-ben használt MATLAB-függvények mind támogatják a dlarray objektumokat, így a réteg GPU-kompatibilis.

Ellenőrizze a kimeneti réteg érvényességét

Ellenőrizze a weightedClassificationLayer egyéni osztályozási kimeneti réteg érvényességét .

Adjon meg egy egyedi súlyozott osztályozási réteget. Ennek a rétegnek a létrehozásához mentse el a weightedClassificationLayer.m fájlt az aktuális mappába.

Hozzon létre egy példányt a rétegből. Adja meg az osztály súlyát vektorként, amelynek három eleme három osztálynak felel meg.

A checkLayer segítségével ellenőrizze, hogy a réteg érvényes-e. Állítsa be az érvényes bemeneti méretet a réteg egyetlen megfigyelési bemenetének tipikus méretére. A réteg 1-by-1-by-K-by-N tömb bemenetet vár, ahol K az osztályok száma, N pedig a megfigyelések száma a mini-kötegben.

A tesztösszefoglaló beszámol a sikeres, sikertelen, hiányos és kihagyott tesztek számáról.

Lásd még

Kapcsolódó témák

Definiálja az egyéni mély tanulási rétegeket
Definiálja az egyéni regressziós kimeneti réteget
Definiálja az egyéni mély tanulási réteget megtanulható paraméterekkel
Definiálja az egyéni mély tanulási réteget több bemenettel
Definiálja a beágyazott mély tanulási réteget
Adja meg az egyéni réteg visszafelé funkcióját
Adja meg az egyéni kimeneti réteg visszafelé történő veszteség funkcióját
Ellenőrizze a réteg érvényességét
Mélyen tanuló rétegek listája
Mély tanulási tippek és trükkök

Nyissa meg a Példa lehetőséget

Ennek a példának a módosított verziója létezik a rendszerén. Meg akarja nyitni ezt a verziót?