classificationLayer

(Déconseillé) Couche de sortie de classification

L’utilisation de classificationLayer est déconseillée. Utilisez la fonction trainnet et définissez la fonction de perte à "crossentropy" à la place. Pour plus d’informations, veuillez consulter Historique des versions.

Syntaxe

layer = classificationLayer

layer = classificationLayer(Name,Value)

Description

Une couche de classification calcule la perte d'entropie croisée pour les tâches de classification et de classification pondérée avec des classes mutuellement exclusives.

La couche déduit le nombre de classes à partir de la taille de sortie de la couche précédente. Par exemple, pour spécifier le nombre de classes K du réseau, vous pouvez ajouter une couche entièrement connectée avec une taille de sortie K et une couche softmax avant la couche de classification.

layer = classificationLayer crée une couche de classification.

layer = classificationLayer(Name,Value) définit les propriétés optionnelles Name, ClassWeights et Classes avec une ou plusieurs paires nom-valeur. Par exemple, classificationLayer('Name','output') crée une couche de classification nommée 'output'.

Exemples

Créer une couche de classification

Créez une couche de classification.

Créez une couche de classification nommée 'output'.

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

layer = 
  ClassificationOutputLayer with properties:

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

   Hyperparameters
    LossFunction: 'crossentropyex'

Incluez une couche de sortie de classification dans un tableau (array) de Layer.

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

Arguments nom-valeur

Spécifiez des paires d’arguments en option selon le modèle Name1=Value1,...,NameN=ValueN, où Name est le nom de l’argument et Value est la valeur correspondante. Les arguments nom-valeur doivent apparaître après les autres arguments, mais l’ordre des paires n’a aucune importance.

Avant R2021a, utilisez des virgules pour séparer les noms et les valeurs, et mettez Name entre guillemets.

Exemple : classificationLayer('Name','output') crée une couche de classification nommé 'output'

Name — Nom de la couche

"" (par défaut) | vecteur de caractères | string scalar

Nom de la couche, défini par un vecteur de caractères ou un string scalar. Pour le tableau de Layer en entrée, la fonction trainNetwork attribue automatiquement des noms aux couches avec le nom "".

L’objet ClassificationOutputLayer stocke cette propriété comme un vecteur de caractères.

Types de données : char | string

ClassWeights — Poids des classes pour la perte d'entropie croisée pondérée

'none' (par défaut) | vecteur de nombres positifs

Poids des classes pour la perte d'entropie croisée pondérée, spécifiés en tant que vecteur de nombres positifs ou 'none'.

Pour le vecteur des poids de classe, chaque élément représente le poids de la classe correspondante dans la propriété Classes. Pour spécifier un vecteur de poids de classe, vous devez également spécifier les classes en utilisant l'option Classes.

Si la propriété ClassWeights est définie sur 'none', alors la couche applique la perte d’entropie croisée non pondérée.

Classes — Classes de la couche de sortie

"auto" (par défaut) | vecteur catégoriel | tableau de chaînes de caractères | cell array de vecteurs de caractères

Classes de la couche de sortie, définies par un vecteur catégoriel, un string array, un cell array de vecteurs de caractères ou "auto". Si Classes est défini sur "auto", alors le software définit automatiquement les classes au moment de l'apprentissage. Si vous spécifiez le string array ou le cell array de vecteurs de caractères str, le software définit les classes de la couche de sortie en tant que categorical(str,str).

Types de données : char | categorical | string | cell

Arguments de sortie

layer — Couche de classification

objet ClassificationOutputLayer

Couche de classification, renvoyée en tant qu'objet ClassificationOutputLayer.

Pour plus d'informations sur la concaténation des couches pour construire une architecture de réseau de neurones à convolution, consultez Layer.

En savoir plus

Couche de classification

Une couche de classification calcule la perte d'entropie croisée pour les tâches de classification et de classification pondérée avec des classes mutuellement exclusives.

Pour les réseaux de classification typiques, la couche de classification suit généralement une couche softmax. Dans la couche de classification, trainNetwork récupère les valeurs de la fonction softmax et affecte chaque entrée à l'une des classes mutuellement exclusives K en utilisant la fonction d'entropie croisée pour un schéma de codage [1] de 1 sur K :

$$\text{loss}=-\frac{1}{N}{\displaystyle \sum _{n=1}^N{\displaystyle \sum }_{i=1}^K}\text{}{w}_i{\text{t}}_{ni}\ln y_{ni},$$

où N est le nombre d'échantillons, K, est le nombre de classes, w_i est le poids pour la classe i, t_ni est l'indicateur permettant de savoir que l'échantillon n appartient à la classe i, et y_ni est le résultat pour l'échantillon n et la classe i, qui dans ce cas, correspond à la valeur de la fonction softmax. Autrement dit, y_ni désigne la probabilité pour que le réseau associe l’observation n à la classe i.

Références

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

Capacités étendues

Génération de code C/C++

Générez du code C et C++ avec MATLAB® Coder™.

Notes d’usage et limitations :

Le générateur de code représente les caractères avec un codage ASCII 8 bits déterminé par les paramètres régionaux. Par conséquent, l’utilisation de caractères non-ASCII dans les noms de classes, les noms et descriptions de couches ou les noms de réseaux peut entraîner des erreurs. Pour plus d’informations, veuillez consulter Encoding of Characters in Code Generation (MATLAB Coder).

Génération de code GPU

Générez du code CUDA® pour les GPU NVIDIA® avec GPU Coder™.

Notes d'usage et limitations :

• Pour générer du code CUDA^® ou C++ avec GPU Coder™, vous devez commencer par construire et entraîner un réseau de neurones profond. Une fois le réseau entraîné et évalué, vous pouvez configurer le générateur de code pour générer du code et déployer le réseau de neurones à convolution sur des plateformes utilisant des processeurs GPU NVIDIA^® ou ARM^®. Pour plus d’informations, veuillez consulter Deep Learning with GPU Coder (GPU Coder).

• Pour cette couche, vous pouvez générer du code qui tire parti de la bibliothèque NVIDIA CUDA Deep Neural Network (cuDNN), la bibliothèque d’interférence haute performance NVIDIA TensorRT™ ou ARMCompute Library pour le GPU Mali.

• Le générateur de code représente les caractères avec un codage ASCII 8 bits déterminé par les paramètres régionaux. Par conséquent, l’utilisation de caractères non-ASCII dans les noms de classes, les noms et descriptions de couches ou les noms de réseaux peut entraîner des erreurs. Pour plus d’informations, veuillez consulter Encoding of Characters in Code Generation (MATLAB Coder).

Historique des versions

Introduit dans R2016a

R2024a: Déconseillé

À partir de R2024a, l’utilisation des objets ClassificationOutputLayer est déconseillée. Utilisez trainnet et définissez la fonction de perte à "crossentropy" à la place.

Il n’est pas prévu de supprimer le support des objets ClassificationOutputLayer. Cependant, la fonction trainnet présente les avantages suivants et son utilisation est recommandée à la place de ces objets :

• trainnet supporte les objets dlnetwork qui supportent un plus large éventail d’architectures de réseau que vous pouvez créer ou importer à partir de plateformes externes.

• trainnet permet de spécifier facilement des fonctions de perte. Vous pouvez sélectionner une fonction de perte prédéfinie ou spécifier une fonction de perte personnalisée.

• trainnet génère en sortie un objet dlnetwork qui est un type de données unifié supportant la création de réseau, la prédiction, l’apprentissage prédéfini, la visualisation, la compression, la vérification et les boucles d’apprentissage personnalisées.

• trainnet est généralement plus rapide que trainNetwork.

Le tableau suivant indique quelques utilisations courantes de la fonction trainNetwork avec des objets ClassificationOutputLayer et comment mettre à jour votre code pour qu’il utilise la fonction trainnet à la place.

Déconseillé	Recommandé
net = trainNetwork(data,layers,options), où layers contient un objet ClassificationOutputLayer.	net = trainnet(data,layers,"crossentropy",options); Dans cet exemple, layers spécifie le même réseau sans objet ClassificationOutputLayer.
net = trainNetwork(data,layers,options), où layers contient un objet ClassificationOutputLayer dont le paramètre ClassWeights est défini sur un vecteur numérique.	lossFcn = @(Y,T) crossentropy(Y,T,Weights=weights); net = trainnet(data,layers,"crossentropy",options); Dans cet exemple, weights spécifie les poids des classes tandis que layers spécifie le même réseau sans objet ClassificationOutputLayer.

Voir aussi

trainnet | trainingOptions | dlnetwork | softmaxLayer

Rubriques

• Train Sequence Classification Network Using Data with Imbalanced Classes
• Deep Learning in MATLAB
• List of Deep Learning Layers