Main Content

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

regressionLayer

Livello di output della regressione

Descrizione

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

layer = regressionLayer restituisce il livello di output della regressione per una rete neurale come un oggetto RegressionOutputLayer.

Prevedere le risposte di una rete di regressione addestrata utilizzando predict. La normalizzazione delle risposte spesso aiuta a stabilizzare e velocizzare l'addestramento delle reti neurali di regressione. Per ulteriori informazioni, vedere Train Convolutional Neural Network for Regression.

esempio

layer = regressionLayer(Name,Value) imposta le proprietà opzionali Name and ResponseNames utilizzando le coppie nome-valore. Ad esempio, regressionLayer('Name','output') crea un livello di regressione con il nome 'output'. Racchiudere ciascun nome della proprietà tra virgolette singole.

Esempi

comprimi tutto

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

Argomenti di input

comprimi tutto

Argomenti nome-valore

Specificare coppie opzionali di argomenti come Name1=Value1,...,NameN=ValueN, dove Name è il nome dell’argomento e Value è il valore corrispondente. Gli argomenti nome-valore devono comparire dopo gli altri argomenti, ma l'ordine delle coppie non ha importanza.

Prima della R2021a, utilizzare le virgole per separare ogni nome e valore e racchiudere Name tra virgolette.

Esempio regressionLayer('Name','output') crea un livello di regressione con il nome 'output'

Nome del livello, specificato come un vettore di carattere o uno scalare di stringa. Per l’input dell’array di Layer, le funzioni trainNetwork, assembleNetwork, layerGraph e dlnetwork assegnano automaticamente i nomi ai livelli con il nome ''.

Tipi di dati: char | string

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

Argomenti di output

comprimi tutto

Livello di output della regressione, restituito come un oggetto RegressionOutputLayer.

Ulteriori informazioni

comprimi tutto

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:

MSE=i=1R(tiyi)2R,

dove R è il numero delle risposte, ti è l’output target e yi 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:

loss=12i=1R(tiyi)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:

loss=12p=1HWC(tpyp)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:

loss=12Si=1Sj=1R(tijyij)2,

dove S è la lunghezza della sequenza.

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

Funzionalità estese

Generazione di codice C/C++
Genera codice C e C++ con MATLAB® Coder™.

Generazione di codice GPU
Genera codice CUDA® per GPU NVIDIA® con GPU Coder™.

Cronologia versioni

Introdotto in R2017a