ClassificationOutputLayer

R2026b

（不推荐）分类输出层

不推荐使用 ClassificationOutputLayer 对象。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。

要了解有关如何将 trainNetwork、SeriesNetwork 和 DAGNetwork 代码转移至 dlnetwork 工作流的详细信息，请参阅Transition trainNetwork, SeriesNetwork, and DAGNetwork Code to dlnetwork Workflows。

描述

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。

创建对象

使用 classificationLayer 创建一个分类层。

属性

全部展开

分类输出

`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

`OutputSize` — 输出的大小
只读: `'auto'` (默认) | 正整数

此属性为只读。

输出的大小，指定为正整数。此值是数据中的标签数量。在训练之前，输出大小设置为 'auto'。

`LossFunction` — 用于训练的损失函数
只读: `'crossentropyex'`

此属性为只读。

用于训练的损失函数，指定为 'crossentropyex'，即适用于 k 个互斥类的交叉熵函数。

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

`NumInputs` — 输入数目
`1` (默认)

层的输入数，返回为 1。此层只接受一个输入。

数据类型: double

`InputNames` — 输入名称
`{'in'}` (默认)

输入名称，返回为 {'in'}。此层只接受一个输入。

数据类型: cell

`NumOutputs` — 输出的数目
`0` (默认)

层的输出的数目，以 0 形式返回。此层没有输出。

数据类型: double

`OutputNames` — 输出名称
`{}` (默认)

层的输出的名称，以 {} 形式返回。此层没有输出。

数据类型: cell

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

详细信息

全部展开

分类输出层

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.

版本历史记录

在 R2016a 中推出

全部展开

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。

R2018b: `ClassNames` 属性将被删除

ClassNames 将被删除。请改用 Classes。要新代码时，请将 ClassNames 的所有实例替换为 Classes。这两个属性之间存在一些差异，因此需要对代码进行额外的更新。

输出层的 ClassNames 属性是一个字符向量元胞数组。Classes 属性是一个分类数组。要将 Classes 的值用于需要元胞数组作为输入的函数，请使用 cellstr 函数对类别进行转换。

另请参阅

trainnet | trainingOptions | dlnetwork | softmaxLayer

ClassificationOutputLayer

描述

创建对象

属性

分类输出

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

OutputSize — 输出的大小 只读: 'auto' (默认) | 正整数

LossFunction — 用于训练的损失函数 只读: 'crossentropyex'

层

Name — 层名称 "" (默认) | 字符向量 | 字符串标量

NumInputs — 输入数目 1 (默认)

InputNames — 输入名称 {'in'} (默认)

NumOutputs — 输出的数目 0 (默认)

OutputNames — 输出名称 {} (默认)

示例

创建分类层

详细信息

分类输出层

参考

版本历史记录

R2024a: 不推荐

R2018b: ClassNames 属性将被删除

另请参阅

主题

`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

`OutputSize` — 输出的大小
只读: `'auto'` (默认) | 正整数

`LossFunction` — 用于训练的损失函数
只读: `'crossentropyex'`

`Name` — 层名称
`""` (默认) | 字符向量 | 字符串标量

`NumInputs` — 输入数目
`1` (默认)

`InputNames` — 输入名称
`{'in'}` (默认)

`NumOutputs` — 输出的数目
`0` (默认)

`OutputNames` — 输出名称
`{}` (默认)

R2018b: `ClassNames` 属性将被删除