logsig

(削除予定) 対数シグモイド伝達関数

logsig は将来のリリースで削除される予定です。詳細については、Transition Legacy Neural Network Code to dlnetwork Workflowsを参照してください。

コードの更新に関するアドバイスについては、バージョン履歴を参照してください。

構文

A = logsig(N)

dA_dN = logsig('dn',N,A,FP)

info = logsig(code)

説明

ヒント

深層学習でロジスティック シグモイド活性化を使用するには、sigmoidLayer または dlarray のメソッド sigmoid を使用します。

A = logsig(N) は、正味の入力ベクトルの行列 N を取り、N の要素を [0, 1] にスカッシングした S 行 Q 列の行列 A を返します。

logsig は伝達関数です。伝達関数は、層の正味入力から層の出力を計算します。

dA_dN = logsig('dn',N,A,FP) は、N に対する A の微分を S 行 Q 列で返します。A または FP が指定されない、または [] に設定されている場合、FP は既定のパラメーターに戻り、A は N から計算されます。

info = logsig(code) は、この関数に関する情報を返します。詳細については、引数 code の説明を参照してください。

例

伝達関数 logsig のプロットの作成

この例では、入力行列の対数シグモイド伝達関数を計算してプロットする方法を示します。

入力行列 n を作成します。関数 logsig を呼び出し、結果をプロットします。

n = -5:0.1:5;
a = logsig(n);
plot(n,a)

この伝達関数をネットワークの層 i に割り当てます。

net.layers{i}.transferFcn = 'logsig';

入力引数

N — 入力行列

行列

正味入力列ベクトル。S 行 Q 列の行列として指定します。

code — 情報オプション

'name' | 'output' | 'active' | 'fullderiv' | 'fpnames' | 'fpdefaults'

関数から取得したい情報。次のいずれかとして指定します。

• 'name' は、この関数の名前を返します。

• 'output' は、出力範囲 [min max] を返します。

• 'active' は、アクティブな入力範囲 [min max] を返します。

• 'fullderiv' は、dA_dN が S×S×Q であるか、S 行 Q 列であるかによって、1 または 0 を返します。

• 'fpnames' は、関数パラメーターの名前を返します。

• 'fpdefaults' は、既定の関数パラメーターを返します。

出力引数

A — 出力行列

行列

出力ベクトル。S 行 Q 列の行列として返されます。ここで、N の各要素は、"S 型" 関数を使用して区間 [-inf inf] から区間 [0 1] にスカッシングされます。

アルゴリズム

logsig(n) = 1 / (1 + exp(-n))

バージョン履歴

R2006a より前に導入

R2026a: logsig は削除予定

logsig は将来のリリースで削除される予定です。

ニューラル ネットワークにおける活性化関数と伝達関数の使用の詳細については、以下の例とトピックを参照してください。

• ディープ ネットワーク デザイナーを使用したネットワークの構築

• 深層学習層の一覧

• dlarray をサポートする関数の一覧

• 活性化層の比較

• Example Deep Learning Network Architectures

層配列または dlnetwork オブジェクトにシグモイド層を含めるには、sigmoidLayer を使用します。dlarray オブジェクトにシグモイド活性化を適用するには、sigmoid 関数を使用します。

詳細については、Transition Legacy Neural Network Code to dlnetwork Workflowsを参照してください。

参考

時系列モデラー | fitrnet (Statistics and Machine Learning Toolbox) | fitcnet (Statistics and Machine Learning Toolbox) | trainnet | trainingOptions | dlnetwork

トピック

• Training Neural Networks with Tabular Data
• Training Neural Networks with Time Series Data
• Transition Legacy Neural Network Code to dlnetwork Workflows