La traduzione di questa pagina non è aggiornata. Fai clic qui per vedere l'ultima versione in inglese.

RegressionOutputLayer

Livello di output della regressione

regressionLayer non è consigliata. Utilizzare la funzione trainnet e impostare invece la funzione di perdita su "mse". Per ulteriori informazioni, vedere Cronologia della versione.

Descrizione

Un livello di regressione calcola la perdita dell'errore quadratico semi-mediano per le attività di regressione.

Creazione

Creare un livello di output della regressione utilizzando regressionLayer.

Proprietà

Output della regressione

ResponseNames — Nome delle risposte

{} (predefinito) | array di celle dei vettori di carattere | array di stringhe

Nomi delle risposte, specificati come un array di celle di vettori di carattere o un array di stringhe. Al momento dell'addestramento, il software imposta automaticamente i nomi delle risposte in base ai dati di addestramento. Per impostazione predefinita è {}.

Tipi di dati: cell

LossFunction — Funzione di perdita dell’addestramento

'mean-squared-error'

Funzione di perdita utilizzata dal software per l’addestramento, specificata come 'mean-squared-error'.

Livello

Name — Nome del livello

"" (predefinito) | vettore di carattere | scalare di stringa

Nome del livello, specificato come un vettore di carattere o uno scalare di stringa. Per l'input dell'array di Layer, la funzione trainNetwork assegna automaticamente i nomi ai livelli con il nome "".

L'oggetto RegressionOutputLayer memorizza questa proprietà come vettore di carattere.

Tipi di dati: char | string

NumInputs — Numero di input

1 (predefinito)

Numero di input al livello, restituito come 1. Questo livello accetta solo un input singolo.

Tipi di dati: double

InputNames — Nomi di input

{'in'} (predefinito)

Nomi di input, restituiti come {'in'}. Questo livello accetta solo un input singolo.

Tipi di dati: cell

NumOutputs — Numero di output

0 (predefinito)

Numero di output del livello, restituito come 0. Questo livello non ha output.

Tipi di dati: double

OutputNames — Nomi di output

{} (predefinito)

Nomi di output del livello, restituiti come {}. Questo livello non ha output.

Tipi di dati: cell

Esempi

Creazione del livello di output della regressione

Creare un livello di output della regressione.

Creare un livello di output della regressione con il nome 'routput'.

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

layer = 
  RegressionOutputLayer with properties:

             Name: 'routput'
    ResponseNames: {}

   Hyperparameters
     LossFunction: 'mean-squared-error'

La funzione di perdita predefinita per la regressione è l'errore quadratico medio.

Includere un livello di output della regressione in un array di livelli.

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

Ulteriori informazioni

Livello di output della regressione

Un livello di regressione calcola la perdita dell'errore quadratico semi-mediano per le attività di regressione. Per i tipici problemi di regressione, un livello di regressione deve seguire il livello finale completamente connesso.

Per una singola osservazione, l'errore quadratico medio è dato da:

$$\text{MSE}={\displaystyle \sum }_{i=1}^R\frac{{(t_i-y_i)}^2}{R},$$

dove R è il numero delle risposte, t_i è l’output target e y_i è la previsione della rete per la risposta i.

Per le reti di regressione dell’immagine e da sequenza-a-uno, la funzione di perdita del livello di regressione è l’errore quadratico semi-mediano delle risposte previste, non normalizzate da R:

$$\text{loss}=\frac{1}{2}{\displaystyle \sum }_{i=1}^R{(t_i-y_i)}^2.$$

Per le reti di regressione da immagine-a-immagine, la funzione di perdita del livello di regressione è l’errore quadratico semi-mediano delle risposte previste per ciascun pixel, non normalizzate da R:

$$\text{loss}=\frac{1}{2}{\displaystyle \sum }_{p=1}^{HWC}{(t_p-y_p)}^2,$$

dove H, W e C indicano rispettivamente l’altezza, la larghezza e il numero di canali dell’output e p indicizza linearmente ciascun elemento (pixel) di t e y.

Per le reti di regressione da sequenza-a-sequenza, la funzione di perdita del livello di regressione è l’errore quadratico semi-mediano delle risposte previste per ciascuna fase temporale, non normalizzate da R:

$$\text{loss}=\frac{1}{2S}{\displaystyle \sum }_{i=1}^S{\displaystyle \sum }_{j=1}^R{(t_{ij}-y_{ij})}^2,$$

dove S è la lunghezza della sequenza.

Durante l'addestramento, il software calcola la perdita media sulle osservazioni nel mini-batch.

Cronologia versioni

Introdotto in R2017a

R2024a: Non consigliato

A partire dalla release R2024a, non è più consigliato utilizzare gli oggetti RegressionOutputLayer, utilizzare trainnet e impostare invece la funzione di perdita su "mse".

Non è prevista la sospensione dell'assistenza per gli oggetti RegressionOutputLayer. Comunque, la funzione trainnet presenta invece questi vantaggi, ed è quindi consigliata:

• trainnet supporta gli oggetti dlnetwork, che supportano una gamma più ampia di architetture di rete che è possibile creare o importare da piattaforme esterne.

• trainnet consente di specificare le funzioni di perdita con facilità. È possibile scegliere tra le funzioni di perdita integrate o specificare una funzione di perdita personalizzata.

• trainnet restituisce un oggetto dlnetwork, che è un tipo di dati unificato che supporta la costruzione di reti, la predizione, l'addestramento integrato, la visualizzazione, la compressione, la verifica e i loop di addestramento personalizzati.

• trainnet è generalmente più veloce di trainNetwork.

Questa tabella mostra alcuni usi tipici della funzione trainNetwork con gli oggetti RegressionOutputLayer e come aggiornare il codice per utilizzare invece la funzione trainnet.

Non consigliato	Consigliato
net = trainNetwork(X,T,layers,options), dove layers contiene un oggetto RegressionOutputLayer.	net = trainnet(X,T,layers,"mse",options); In questo esempio, layers specifica la stessa rete senza un oggetto RegressionOutputLayer.
net = trainNetwork(data,layers,options), dove layers contiene un oggetto RegressionOutputLayer.	net = trainnet(data,layers,"mse",options); In questo esempio, layers specifica la stessa rete senza un oggetto RegressionOutputLayer.

Vedi anche

trainnet | trainingOptions | dlnetwork | fullyConnectedLayer

Argomenti

• Creazione di una rete neurale semplice di Deep Learning per la classificazione
• Train Convolutional Neural Network for Regression
• Deep Learning in MATLAB
• List of Deep Learning Layers