softmaxLayer

Softmax 层

全页展开

说明

softmax 层对输入应用 softmax 函数。

创建对象

语法

layer = softmaxLayer

layer = softmaxLayer('Name',Name)

描述

使用 layer = softmaxLayer 创建一个 softmax 层。

示例

layer = softmaxLayer('Name',Name) 创建一个 softmax 层，并使用名称-值对组设置可选的 Name 属性。例如，softmaxLayer('Name','sm1') 创建一个名为 'sm1' 的 softmax 层。用单引号将属性名称引起来。

属性

全部展开

`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、assembleNetwork、layerGraph 和 dlnetwork 函数会自动为层指定名称 ''。

数据类型： char | string

`NumInputs` — 输入的数目
`1` （默认）

此属性为只读。

层输入的数目。此层只接受一个输入。

数据类型： double

`InputNames` — 输入名称
`{'in'}` （默认）

此属性为只读。

层的输入名称。此层只接受一个输入。

数据类型： cell

`NumOutputs` — 输出的数目
`1` （默认）

此属性为只读。

层输出的数目。此层只有一个输出。

数据类型： double

`OutputNames` — 输出名称
`{'out'}` （默认）

此属性为只读。

层的输出名称。此层只有一个输出。

数据类型： cell

示例

全部折叠

创建 softmax 层

打开实时脚本

创建一个名为 'sm1' 的 softmax 层。

layer = softmaxLayer('Name','sm1')

layer = 
  SoftmaxLayer with properties:

    Name: 'sm1'

在 Layer 数组中包含一个 softmax 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

Softmax 层

softmax 层对输入应用 softmax 函数。

对于分类问题，通常在最终全连接层后跟 softmax 层，然后跟分类层。

输出单元激活函数是 softmax 函数：

$y_{r} (x) = \frac{\exp (a_{r} (x))}{\sum_{j = 1}^{k} \exp (a_{j} (x))},$

其中 $0 \leq y_{r} \leq 1$ 并且 $\sum_{j = 1}^{k} y_{j} = 1$ 。

对于多类分类问题，softmax 函数是最后一个全连接层后的输出单元激活函数：

$P (c_{r} | x, θ) = \frac{P (x, θ | c_{r}) P (c_{r})}{\sum_{j = 1}^{k} P (x, θ | c_{j}) P (c_{j})} = \frac{\exp (a_{r} (x, θ))}{\sum_{j = 1}^{k} \exp (a_{j} (x, θ))},$

其中 $0 \leq P (c_{r} | x, θ) \leq 1$ 且 $\sum_{j = 1}^{k} P (c_{j} | x, θ) = 1$ 。此外， $a_{r} = \ln (P (x, θ | c_{r}) P (c_{r}))$ ，其中 $P (x, θ | c_{r})$ 是给定类 r 的样本的条件概率， $P (c_{r})$ 是类先验概率。

softmax 函数也称为归一化指数，可视为逻辑 sigmoid 函数的多类泛化 [1]。

参考

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

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

在 R2016a 中推出

另请参阅

trainNetwork | classificationLayer | convolution2dLayer | fullyConnectedLayer

softmaxLayer

说明

创建对象

语法

描述

属性

Name — 层名称 '' （默认） | 字符向量 | 字符串标量

NumInputs — 输入的数目 1 （默认）

InputNames — 输入名称 {'in'} （默认）

NumOutputs — 输出的数目 1 （默认）

OutputNames — 输出名称 {'out'} （默认）

示例

创建 softmax 层

详细信息

Softmax 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

另请参阅

主题

WeChat

`Name` — 层名称
`''` （默认） | 字符向量 | 字符串标量

`NumInputs` — 输入的数目
`1` （默认）

`InputNames` — 输入名称
`{'in'}` （默认）

`NumOutputs` — 输出的数目
`1` （默认）

`OutputNames` — 输出名称
`{'out'}` （默认）

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。