classificationLayer

（不推荐）分类输出层

全页折叠

不推荐使用 classificationLayer。请改用 trainnet 函数，并将损失函数设置为 "crossentropy"。有关详细信息，请参阅版本历史记录。

语法

layer = classificationLayer

layer = classificationLayer(Name,Value)

说明

分类层计算具有互斥类的分类和加权分类任务的交叉熵损失。

该层根据前一层的输出大小来推断类的数量。例如，要指定网络的类数 K，您可以在分类层之前包含输出大小为 K 的一个全连接层和一个 softmax 层。

layer = classificationLayer 创建一个分类层。

示例

layer = classificationLayer(Name,Value) 使用一个或多个名称-值对组设置可选的 Name、ClassWeights 和 Classes 属性。例如，classificationLayer('Name','output') 创建一个名为 'output' 的分类层。

示例

全部折叠

创建分类层

创建一个分类层。

创建一个名为 'output' 的分类层。

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

layer = 
  ClassificationOutputLayer with properties:

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

   Hyperparameters
    LossFunction: 'crossentropyex'

在 Layer 数组中包含一个分类输出层。

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

名称-值参数

全部折叠

以 Name1=Value1,...,NameN=ValueN 的形式指定可选参量对组，其中 Name 是参量名称，Value 是对应的值。名称-值参量必须出现在其他参量之后，但对各个参量对组的顺序没有要求。

如果使用的是 R2021a 之前的版本，请使用逗号分隔每个名称和值，并用引号将 Name 引起来。

示例: classificationLayer('Name','output') 创建一个名为 'output' 的分类层

`Name` — 层名称
`""` (默认) | 字符向量 | 字符串标量

层名称，指定为字符向量或字符串标量。对于 Layer 数组输入，trainNetwork 函数会自动为层指定名称 ""。

ClassificationOutputLayer 对象将此属性存储为字符向量。

数据类型: char | string

`ClassWeights` — 加权交叉熵损失的类权重
`'none'` (默认) | 正数向量

加权交叉熵损失的类权重，指定为正数向量或 'none'。

对于向量类权重，每个元素都表示 Classes 属性中对应类的权重。要指定类权重的向量，还必须使用 Classes 选项指定类。

如果 ClassWeights 属性为 'none'，则该层应用未加权交叉熵损失。

`Classes` — 输出层的类
`"auto"` (默认) | 分类向量 | 字符串数组 | 字符向量元胞数组

输出层的类，指定为分类向量、字符串数组、字符向量元胞数组或 "auto"。如果 Classes 是 "auto"，则软件会在训练时自动设置类。如果您指定字符串数组或字符向量元胞数组 str，则软件会将输出层的类设置为 categorical(str,str)。

数据类型: char | categorical | string | cell

输出参量

全部折叠

`layer` — 分类层
`ClassificationOutputLayer` 对象

分类层，以 ClassificationOutputLayer 对象形式返回。

有关串联层以构造卷积神经网络架构的信息，请参阅 Layer。

详细信息

全部折叠

分类层

分类层计算具有互斥类的分类和加权分类任务的交叉熵损失。

对于典型的分类网络，分类层通常在 softmax 层之后。在分类层中，trainNetwork 接受来自 softmax 函数的值，使用交叉熵函数将每个输入赋给 K 个互斥类之一以实现 1-of-K 编码方案 [1]：

$loss = - \frac{1}{N} \sum_{n = 1}^{N} \sum_{i = 1}^{K} w_{i} t_{n i} \ln y_{n i},$

其中 N 是采样数，K 是类数，w_i 是类 i 的权重，t_ni 指示采样 n 属于类 i，y_ni 是类 i 的采样 n 的输出，在本例中它是来自 softmax 函数的值。换句话说，y_ni 是网络将观测值 n 与类 i 相关联的概率。

参考

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

扩展功能

全部展开

C/C++ 代码生成
使用 MATLAB® Coder™ 生成 C 代码和 C++ 代码。

用法说明和限制：

代码生成器表示由区域设置确定的 8 位 ASCII 代码集中的字符。因此，在类名称、层名称、层描述或网络名称中使用非 ASCII 字符可能导致错误。有关详细信息，请参阅代码生成中的字符编码 (MATLAB Coder)。

GPU 代码生成
使用 GPU Coder™ 为 NVIDIA® GPU 生成 CUDA® 代码。

用法说明和限制：

要使用 GPU Coder™ 生成 CUDA^® 或 C++ 代码，必须先构造并训练深度神经网络。一旦网络经过训练和评估，您就可以配置代码生成器来生成代码，并在使用 NVIDIA^® 或 ARM^® GPU 处理器的平台上部署卷积神经网络。有关详细信息，请参阅Deep Learning with GPU Coder (GPU Coder)。
对于此层，您可以生成利用 NVIDIA CUDA 深度神经网络库 (cuDNN)、NVIDIA TensorRT™ 高性能推理库或用于 Mali GPU 的 ARM Compute Library 的代码。
代码生成器表示由区域设置确定的 8 位 ASCII 代码集中的字符。因此，在类名称、层名称、层描述或网络名称中使用非 ASCII 字符可能导致错误。有关详细信息，请参阅代码生成中的字符编码 (MATLAB Coder)。

版本历史记录

在 R2016a 中推出

全部折叠

R2024a: 不推荐

从 R2024a 开始，不推荐使用 ClassificationOutputLayer 对象，请改用 trainnet 并将损失函数设置为 "crossentropy"。

目前没有停止支持 ClassificationOutputLayer 对象的计划。但是，推荐改用 trainnet 函数，该函数具有以下优势：

trainnet 支持 dlnetwork 对象，这些对象支持更广泛的网络架构，您可以创建或从外部平台导入这些网络架构。
trainnet 使您能够轻松指定损失函数。您可以从内置损失函数中进行选择或指定自定义损失函数。
trainnet 输出 dlnetwork 对象，这是一种统一的数据类型，支持网络构建、预测、内置训练、可视化、压缩、验证和自定义训练循环。
trainnet 通常比 trainNetwork 快。

下表显示了 trainNetwork 函数与 ClassificationOutputLayer 对象的一些典型用法，以及如何更新您的代码以改用 trainnet 函数。

不推荐推荐

不推荐	推荐
`net = trainNetwork(data,layers,options)`，其中 `layers` 包含 `ClassificationOutputLayer` 对象。	net = trainnet(data,layers,"crossentropy",options); 在此示例中，`layers` 指定了同一网络，但没有 `ClassificationOutputLayer` 对象。
`net = trainNetwork(data,layers,options)`，其中 `layers` 包含 `ClassWeights` 设置为数值向量的 `ClassificationOutputLayer` 对象。	lossFcn = @(Y,T) crossentropy(Y,T,Weights=weights); net = trainnet(data,layers,"crossentropy",options); 在此示例中，`weights` 指定类权重，`layers` 指定了同一网络，但没有 `ClassificationOutputLayer` 对象。

net = trainNetwork(data,layers,options)，其中 layers 包含 ClassificationOutputLayer 对象。

net = trainnet(data,layers,"crossentropy",options);

在此示例中，layers 指定了同一网络，但没有 ClassificationOutputLayer 对象。

net = trainNetwork(data,layers,options)，其中 layers 包含 ClassWeights 设置为数值向量的 ClassificationOutputLayer 对象。

lossFcn = @(Y,T) crossentropy(Y,T,Weights=weights);
net = trainnet(data,layers,"crossentropy",options);

在此示例中，weights 指定类权重，layers 指定了同一网络，但没有 ClassificationOutputLayer 对象。

另请参阅

trainnet | trainingOptions | dlnetwork | softmaxLayer

classificationLayer

语法

说明

示例

创建分类层

名称-值参数

Name — 层名称 "" (默认) | 字符向量 | 字符串标量

ClassWeights — 加权交叉熵损失的类权重 'none' (默认) | 正数向量

Classes — 输出层的类 "auto" (默认) | 分类向量 | 字符串数组 | 字符向量元胞数组

输出参量

layer — 分类层 ClassificationOutputLayer 对象

详细信息

分类层

参考

扩展功能

C/C++ 代码生成 使用 MATLAB® Coder™ 生成 C 代码和 C++ 代码。

GPU 代码生成 使用 GPU Coder™ 为 NVIDIA® GPU 生成 CUDA® 代码。

版本历史记录

R2024a: 不推荐

另请参阅

主题

`Name` — 层名称
`""` (默认) | 字符向量 | 字符串标量

`ClassWeights` — 加权交叉熵损失的类权重
`'none'` (默认) | 正数向量

`Classes` — 输出层的类
`"auto"` (默认) | 分类向量 | 字符串数组 | 字符向量元胞数组

`layer` — 分类层
`ClassificationOutputLayer` 对象

C/C++ 代码生成
使用 MATLAB® Coder™ 生成 C 代码和 C++ 代码。

GPU 代码生成
使用 GPU Coder™ 为 NVIDIA® GPU 生成 CUDA® 代码。