このページの翻訳は最新ではありません。ここをクリックして、英語の最新版を参照してください。

RegressionOutputLayer

回帰出力層

説明

回帰層は、回帰問題の半平均二乗誤差損失を計算します。

作成

regressionLayer を使用して回帰出力層を作成します。

プロパティ

回帰出力

ResponseNames — 応答の名前

{} (既定値) | 文字ベクトルの cell 配列 | string 配列

応答の名前。文字ベクトルの cell 配列または string 配列として指定します。学習時に、学習データに従って応答名が自動的に設定されます。既定値は {} です。

データ型: cell

LossFunction — 学習用の損失関数

'mean-squared-error'

学習に使用される損失関数。'mean-squared-error' として指定します。

層

Name — 層の名前

'' (既定値) | 文字ベクトル | string スカラー

層の名前。文字ベクトルまたは string スカラーとして指定します。層グラフに層を含めるには、空ではない一意の層の名前を指定しなければなりません。この層が含まれる系列ネットワークに学習させて Name を '' に設定すると、学習時に層に名前が自動的に割り当てられます。

データ型: char | string

NumInputs — 入力の数

1 (既定値)

層の入力の数。この層は単一の入力のみを受け入れます。

データ型: double

InputNames — 入力名

{'in'} (既定値)

層の入力名。この層は単一の入力のみを受け入れます。

データ型: cell

NumOutputs — 出力の数

0 (既定値)

層の出力の数。この層には出力がありません。

データ型: double

OutputNames — 出力名

{} (既定値)

層の出力名。この層には出力がありません。

データ型: cell

例

回帰出力層の作成

'routput' という名前の回帰出力層を作成します。

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

layer = 
  RegressionOutputLayer with properties:

             Name: 'routput'
    ResponseNames: {}

   Hyperparameters
     LossFunction: 'mean-squared-error'

回帰用の既定の損失関数は、平均二乗誤差です。

Layer 配列に回帰出力層を含めます。

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   ''   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

詳細

回帰出力層

回帰層は、回帰問題の半平均二乗誤差損失を計算します。 一般的な回帰問題の場合、回帰層が最後の全結合層の後に続かなければなりません。

1 つの観測値の場合、平均二乗誤差は次で求められます。

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

ここで、R は応答の数、t_i はターゲット出力、y_i は応答 i に対するネットワークの予測値です。

イメージ回帰ネットワークおよび sequence-to-one 回帰ネットワークの場合、回帰層の損失関数は R で正規化されるのではなく、予測応答の半平均二乗誤差になります。

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

image-to-image 回帰ネットワークの場合、回帰層の損失関数は R で正規化されるのではなく、各ピクセルの予測応答の半平均二乗誤差になります。

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

ここで、H、W、および C は、それぞれ出力の高さ、幅、チャネル数を表し、p は t および y の各要素 (ピクセル) に線形に付けたインデックスです。

sequence-to-sequence 回帰ネットワークの場合、回帰層の損失関数は R で正規化されるのではなく、各タイム ステップの予測応答の半平均二乗誤差になります。

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

ここで、S はシーケンス長です。

学習時には、ミニバッチ内の観測値に対する平均損失が計算されます。

参考

classificationLayer | fullyConnectedLayer | regressionLayer | trainNetwork

トピック

• 分類用のシンプルな深層学習ネットワークの作成
• 回帰用の畳み込みニューラル ネットワークの学習
• MATLAB による深層学習
• 畳み込みニューラル ネットワークの層の指定
• 深層学習層の一覧

R2017a で導入

×

例を開く

この例の変更されたバージョンがあります。編集された方の例を開きますか?

いいえ、変更されたバージョンを上書きします。 はい