regressionLayer

R2026b

（不推荐）回归输出层

不推荐使用 regressionLayer。请改用 trainnet 函数，并将损失函数设置为 "mse"。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。

语法

layer = regressionLayer

layer = regressionLayer(Name,Value)

描述

回归层计算回归任务的半均方误差损失。

layer = regressionLayer 将神经网络的回归输出层以 RegressionOutputLayer 对象形式返回。

layer = regressionLayer(Name,Value) 使用名称-值对组设置可选的 Name 和 ResponseNames 属性。例如，regressionLayer('Name','output') 创建一个名为 'output' 的回归层。用单引号将每个属性名称引起来。

示例

全部折叠

创建回归输出层

创建一个回归输出层。

创建一个名为 'routput' 的回归输出层。

layer = regressionLayer('Name','routput')

layer = 
  RegressionOutputLayer with properties:

             Name: 'routput'
    ResponseNames: {}

   Hyperparameters
     LossFunction: 'mean-squared-error'

回归的默认损失函数是均方误差。

在层数组中包含一个回归输出层。

layers = [ ...
    imageInputLayer([28 28 1])
    convolution2dLayer(12,25)
    reluLayer
    fullyConnectedLayer(1)
    regressionLayer]

layers = 
  5x1 Layer array with layers:

     1   ''   Image Input         28x28x1 images with 'zerocenter' normalization
     2   ''   2-D Convolution     25 12x12 convolutions with stride [1  1] and padding [0  0  0  0]
     3   ''   ReLU                ReLU
     4   ''   Fully Connected     1 fully connected layer
     5   ''   Regression Output   mean-squared-error

名称-值参数

全部折叠

将可选参量对组指定为 Name1=Value1,...,NameN=ValueN，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: regressionLayer('Name','output') 创建一个名为 'output' 的回归层

`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 ""。

RegressionOutputLayer 对象将此属性存储为字符向量。

数据类型: char | string

`ResponseNames` — 响应的名称
`{}` (默认) | 字符向量元胞数组 | 字符串数组

响应的名称，指定为字符向量元胞数组或字符串数组。在训练时，软件根据训练数据自动设置响应名称。默认值为 {}。

数据类型: cell

输出参量

全部折叠

`layer` — 回归输出层
`RegressionOutputLayer` 对象

回归输出层，以 RegressionOutputLayer 对象形式返回。

详细信息

全部折叠

回归输出层

回归层计算回归任务的半均方误差损失。对于典型的回归问题，回归层必须位于最终全连接层之后。

对于单个观测值，均方误差由下式给出：

$MSE = \sum_{i = 1}^{R} \frac{{(t_{i} - y_{i})}^{2}}{R},$

其中，R 是响应的数目，t_i 是目标输出，y_i 是网络对响应 i 的预测。

对于图像和“序列到单个”回归网络，回归层的损失函数是预测响应的半均方误差，未由 R 进行归一化：

$loss = \frac{1}{2} \sum_{i = 1}^{R} {(t_{i} - y_{i})}^{2} .$

对于图像到图像回归网络，回归层的损失函数是每个像素的预测响应的半均方误差，未由 R 进行归一化：

$loss = \frac{1}{2} \sum_{p = 1}^{H W C} {(t_{p} - y_{p})}^{2},$

其中 H、W 和 C 分别表示输出的高度、宽度和通道数，p 对 t 和 y 的每个元素（像素）进行线性索引。

对于“序列到序列”回归网络，回归层的损失函数是每个时间步的预测响应的半均方误差，未由 R 进行归一化：

$loss = \frac{1}{2 S} \sum_{i = 1}^{S} \sum_{j = 1}^{R} {(t_{i j} - y_{i j})}^{2},$

其中 S 是序列长度。

在训练时，软件计算小批量中各观测值的均值损失。

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 R2017a 中推出

全部折叠

R2024a: 不推荐

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

目前没有停止支持 RegressionOutputLayer 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 RegressionOutputLayer 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(X,T,layers,options)`，其中 `layers` 包含 `RegressionOutputLayer` 对象。	net = trainnet(X,T,layers,"mse",options); 在此示例中，`layers` 指定了同一网络，但没有 `RegressionOutputLayer` 对象。
`net = trainNetwork(data,layers,options)`，其中 `layers` 包含 `RegressionOutputLayer` 对象。	net = trainnet(data,layers,"mse",options); 在此示例中，`layers` 指定了同一网络，但没有 `RegressionOutputLayer` 对象。

net = trainNetwork(X,T,layers,options)，其中 layers 包含 RegressionOutputLayer 对象。

net = trainnet(X,T,layers,"mse",options);

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

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

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

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

另请参阅

trainnet | trainingOptions | dlnetwork | fullyConnectedLayer

regressionLayer

语法

描述

示例

创建回归输出层

名称-值参数

Name — 层名称 "" (默认) | 字符向量 | 字符串标量

ResponseNames — 响应的名称 {} (默认) | 字符向量元胞数组 | 字符串数组

输出参量

layer — 回归输出层 RegressionOutputLayer 对象

详细信息

回归输出层

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

`ResponseNames` — 响应的名称
`{}` (默认) | 字符向量元胞数组 | 字符串数组

`layer` — 回归输出层
`RegressionOutputLayer` 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。