La traducción de esta página aún no se ha actualizado a la versión más reciente. Haga clic aquí para ver la última versión en inglés.

softmaxLayer

Capa Softmax

Descripción

Una capa Softmax aplica una función softmax a la entrada.

Creación

Sintaxis

layer = softmaxLayer

layer = softmaxLayer('Name',Name)

Descripción

layer = softmaxLayer crea una capa Softmax.

layer = softmaxLayer('Name',Name) crea una capa Softmax y establece la propiedad opcional Name usando un par nombre-valor. Por ejemplo, softmaxLayer('Name','sm1') crea una capa Softmax con el nombre 'sm1'. Debe encerrar el nombre de la propiedad entre comillas simples.

Propiedades

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. En la entrada del arreglo Layer, las funciones trainNetwork, assembleNetwork, layerGraph y dlnetwork asignan automáticamente el nombre '' a las capas.

Tipos de datos: char | string

NumInputs — Número de entradas

1 (predeterminado)

Esta propiedad 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 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

1 (predeterminado)

Esta propiedad es de solo lectura.

Número de salidas de la capa. Esta capa solo tiene una salida.

Tipos de datos: double

OutputNames — Nombres de salida

{'out'} (predeterminado)

Esta propiedad es de solo lectura.

Nombres de las salidas de la capa. Esta capa solo tiene una salida.

Tipos de datos: cell

Ejemplos

Crear una capa Softmax

Cree una capa Softmax con el nombre 'sm1'.

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

layer = 
  SoftmaxLayer with properties:

    Name: 'sm1'

Incluya una capa Softmax en un arreglo 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   ''   Convolution             20 5x5 convolutions with stride [1  1] and padding [0  0  0  0]
     3   ''   ReLU                    ReLU
     4   ''   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

Más acerca de

Capa Softmax

Una capa Softmax aplica una función softmax a la entrada.

Para los problemas de clasificación, suele usarse una capa Softmax y, después, una capa de clasificación que siguen a la capa totalmente conectada final.

La función de activación de unidades de salida es la función softmax:

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

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

La función softmax es la función de activación de unidades de salida usada después de la última capa totalmente conectada para atajar los problemas de clasificación de varias clases:

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

donde $$0\le P\left(c_r|x,\theta \right)\le 1$$ y $${\displaystyle \sum _{j=1}^{k}P\left(c_j|x,\theta \right)=1}$$. Además, $$a_r=\ln \left(P\left(x,\theta |c_r\right)P\left(c_r\right)\right)$$, $$P\left(x,\theta |c_r\right)$$ es la probabilidad condicional de la clase de muestra dada r, mientras que $$P\left(c_r\right)$$ es la probabilidad anterior de la clase.

La función softmax también se conoce como el exponencial normalizado y se puede considerar como la generalización de varias clases de la función sigmoide logística [1].

Referencias

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

Capacidades ampliadas

Generación de código C/C++
Genere código C y C++ mediante MATLAB® Coder™.

Generación de código de GPU
Genere código CUDA® para GPU NVIDIA® mediante GPU Coder™.

Historial de versiones

Introducido en R2016a

Consulte también

trainNetwork | classificationLayer | convolution2dLayer | fullyConnectedLayer

Temas

• Create Simple Deep Learning Network for Classification
• Train Convolutional Neural Network for Regression
• Deep Learning in MATLAB
• Specify Layers of Convolutional Neural Network
• List of Deep Learning Layers

×

Abrir ejemplo

Tiene una versión modificada de este ejemplo. ¿Desea abrir este ejemplo con sus modificaciones?

No, sobrescribir la versión modificada Sí