La traduction de cette page n'est pas à jour. Cliquez ici pour voir la dernière version en anglais.

softmaxLayer

Couche softmax

Description

Une couche softmax applique une fonction softmax à l’entrée.

Création

Syntaxe

layer = softmaxLayer

layer = softmaxLayer('Name',Name)

Description

layer = softmaxLayer crée une couche softmax.

layer = softmaxLayer('Name',Name) crée une couche softmax et définit la propriété optionnelle Name avec une paire nom-valeur. Par exemple, softmaxLayer('Name','sm1') crée une couche softmax avec le nom 'sm1'. Mettez le nom de la propriété entre guillemets simples.

Propriétés

Name — Nom de la couche

'' (par défaut) | vecteur de caractères | scalaire de type string

Le nom de la couche est spécifié comme un vecteur de caractères ou un scalaire de type string (string scalar). Pour le tableau de Layer en entrée, les fonctions trainNetwork, assembleNetwork, layerGraph et dlnetwork attribuent automatiquement des noms aux couches avec le nom ''.

Types de données : char | string

NumInputs — Nombre d’entrées

1 (par défaut)

Ce propriété est en lecture seule.

Nombre d’entrées de la couche. Cette couche accepte seulement une entrée unique.

Types de données : double

InputNames — Noms des entrées

{'in'} (par défaut)

Ce propriété est en lecture seule.

Noms des entrées de la couche. Cette couche accepte seulement une entrée unique.

Types de données : cell

NumOutputs — Nombre de sorties

1 (par défaut)

Ce propriété est en lecture seule.

Nombre de sorties de la couche. Cette couche a seulement une sortie unique.

Types de données : double

OutputNames — Noms des sorties

{'out'} (par défaut)

Ce propriété est en lecture seule.

Noms des sorties de la couche. Cette couche a seulement une sortie unique.

Types de données : cell

Exemples

Créer une couche softmax

Créez une couche softmax avec le nom ‘sm1'.

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

layer = 
  SoftmaxLayer with properties:

    Name: 'sm1'

Ajoutez une couche softmax dans un tableau 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

En savoir plus

Couche softmax

Une couche softmax applique une fonction softmax à l’entrée.

Pour des problèmes de classification, une couche softmax puis une couche de classification suivent généralement la couche entièrement connectée finale.

La fonction d’activation de l’unité de sortie est la fonction softmax :

$$y_r\left(x\right)=\frac{\exp \left(a_r\left(x\right)\right)}{{\displaystyle \sum _{j=1}^k\exp \left(a_j\left(x\right)\right)}},$$

où $$0\le y_r\le 1$$ et $${\displaystyle \sum _{j=1}^k{y}_j=1}$$.

La fonction softmax est la fonction d’activation de l’unité de sortie après la dernière couche entièrement connectée pour les problèmes de classification multiclasse :

$$P\left(c_r|x,\theta \right)=\frac{P\left(x,\theta |c_r\right)P\left(c_r\right)}{{\displaystyle \sum _{j=1}^{k}P\left(x,\theta |c_j\right)P\left(c_j\right)}}=\frac{\exp \left(a_r\left(x,\theta \right)\right)}{{\displaystyle \sum _{j=1}^k\exp \left(a_j\left(x,\theta \right)\right)}},$$

où $$0\le P\left(c_r|x,\theta \right)\le 1$$ et $${\displaystyle \sum _{j=1}^{k}P\left(c_j|x,\theta \right)=1}$$. De plus, $$a_r=\ln \left(P\left(x,\theta |c_r\right)P\left(c_r\right)\right)$$, $$P\left(x,\theta |c_r\right)$$ est la probabilité conditionnelle de l’échantillon selon la classe r et $$P\left(c_r\right)$$ est la probabilité a priori de la classe.

La fonction softmax est également appelée fonction exponentielle normalisée et peut être considérée comme la généralisation multiclasse de la fonction sigmoïde [1].

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™.

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

Historique des versions

Introduit dans R2016a

Voir aussi

trainNetwork | classificationLayer | convolution2dLayer | fullyConnectedLayer

Rubriques

• Créer un réseau simple de Deep Learning pour la classification
• Train Convolutional Neural Network for Regression
• Deep Learning in MATLAB
• Specify Layers of Convolutional Neural Network
• List of Deep Learning Layers

×

Ouvrir l'exemple

Vous possédez une version modifiée de cet exemple. Souhaitez-vous ouvrir cet exemple avec vos modifications ?

Non, écraser la version modifiée Oui