RegressionOutputLayer
Capa de salida de regresión
Descripción
Una capa de regresión calcula la pérdida del error cuadrático medio dividido de las tareas de regresión.
Creación
Cree una capa de salida de regresión utilizando regressionLayer
.
Propiedades
Salida de regresión
ResponseNames
— Nombres de las respuestas
{}
(predeterminado) | arreglo de celdas de vectores de caracteres | arreglo de cadena
Nombres de las respuestas, especificados como un arreglo de celdas de vectores de caracteres o como un arreglo de cadena. En el momento del entrenamiento, el software establece automáticamente los nombres de respuestas de acuerdo con los datos del entrenamiento. El valor predeterminado es {}
.
Tipos de datos: cell
LossFunction
— Función de pérdida para el entrenamiento
'mean-squared-error'
Función de pérdida que utiliza el software para el entrenamiento, especificada como 'mean-squared-error'
.
Capa
Name
— Nombre de la capa
''
(predeterminado) | vector de caracteres | escalar de cadena
Nombre de la capa, especificado como un vector de caracteres o un escalar de cadena. Para entradas en forma de arreglo Layer
, las funciones trainNetwork
, assembleNetwork
, layerGraph
y dlnetwork
asignan automáticamente nombres a las capas con el nombre ''
.
Tipos de datos: char
| string
NumInputs
— Número de entradas
1
(predeterminado)
Esta propiedad o parámetro es de solo lectura.
Número de entradas de la capa. Esta capa solo admite una entrada.
Tipos de datos: double
InputNames
— Nombres de las entradas
{"in"}
(predeterminado)
Esta propiedad o parámetro es de solo lectura.
Nombres de las entradas de la capa. Esta capa solo admite una entrada.
Tipos de datos: cell
NumOutputs
— Número de salidas
0 (predeterminado)
Número de salidas de la capa. La capa no tiene salidas.
Tipos de datos: double
OutputNames
— Nombres de salida
{}
(predeterminado)
Nombres de las salidas de la capa. La capa no tiene salidas.
Tipos de datos: cell
Ejemplos
Crear una capa de salida de regresión
Cree una capa de salida de regresión con el nombre 'routput'
.
layer = regressionLayer('Name','routput')
layer = RegressionOutputLayer with properties: Name: 'routput' ResponseNames: {} Hyperparameters LossFunction: 'mean-squared-error'
La función de pérdida predeterminada de la regresión es el error cuadrático medio.
Incluya una capa de salida de regresión en un arreglo de capas.
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
Más acerca de
Capa de salida de regresión
Una capa de regresión calcula la pérdida del error cuadrático medio dividido de las tareas de regresión. En problemas típicos de regresión, la capa de regresión debe ir detrás de la capa totalmente conectada final.
Para una sola observación, el error cuadrático medio se proporciona de esta manera:
donde R es el número de respuestas, ti corresponde a la salida objetivo y yi es la predicción de la red de la respuesta i.
En las redes de regresión de imagen y secuencia a uno, la función de pérdida de la capa de regresión es el error cuadrático medio dividido de las respuestas de la predicción, sin que R aplique la normalización:
En las redes de regresión de imagen a imagen, la función de pérdida de la capa de regresión es el error cuadrático medio dividido de las respuestas de la predicción de cada píxel, sin que R aplique la normalización:
donde H, W y C determinan la altura, anchura y el número de canales de la salida (respectivamente), y p indexa en cada elemento (píxel) de t e y de forma lineal.
En las redes de regresión de secuencia a secuencia, la función de pérdida de la capa de regresión es el error cuadrático medio dividido de las respuestas de la predicción de cada unidad de tiempo, sin que R aplique la normalización:
donde S corresponde a la longitud de la secuencia.
Durante el entrenamiento, el software calcula la pérdida media a lo largo de las observaciones del minilote.
Historial de versiones
Introducido en R2017a
Consulte también
trainNetwork
| regressionLayer
| classificationLayer
| fullyConnectedLayer
Abrir ejemplo
Tiene una versión modificada de este ejemplo. ¿Desea abrir este ejemplo con sus modificaciones?
Comando de MATLAB
Ha hecho clic en un enlace que corresponde a este comando de MATLAB:
Ejecute el comando introduciéndolo en la ventana de comandos de MATLAB. Los navegadores web no admiten comandos de MATLAB.
Select a Web Site
Choose a web site to get translated content where available and see local events and offers. Based on your location, we recommend that you select: .
You can also select a web site from the following list:
How to Get Best Site Performance
Select the China site (in Chinese or English) for best site performance. Other MathWorks country sites are not optimized for visits from your location.
Americas
- América Latina (Español)
- Canada (English)
- United States (English)
Europe
- Belgium (English)
- Denmark (English)
- Deutschland (Deutsch)
- España (Español)
- Finland (English)
- France (Français)
- Ireland (English)
- Italia (Italiano)
- Luxembourg (English)
- Netherlands (English)
- Norway (English)
- Österreich (Deutsch)
- Portugal (English)
- Sweden (English)
- Switzerland
- United Kingdom (English)