"Class" (神经网络解码器)

NetDecoder["Class"]

表示一个解码器，将向量解释为类的概率.

NetDecoder[{"Class",{c1,c2,…}}]

表示类别标签为 ci 的解码器.

更多信息

  • NetDecoder[…][input] 对一个输入应用解码器，产生一个输出.
  • NetDecoder[…][{input1,input2,…}] 对一系列输入应用解码器，产生一系列输出.
  • NetDecoder["Class"] 使用连续的整数作为类别标签.
  • 在构建网络时，可通过指定 "port"->NetDecoder[…] 将解码器添加到网络的输出端口上.
    • 参数
  • 支持下列参数：
  • "InputDepth"1输入数组深度
    "Multilabel"False是否从独立分布中提取类
  • NetDecoder[{"Class",…,"InputDepth"->n}] 可以用来指定输入数组的深度为 n. 默认深度为 1，表示输入是一个向量. 对于矩阵或更高阶数的输入，最后一个维度被解释为类别维度.
  • 当 "Multilabel"False 时，在类维度上值必须总和为 1.
  • 当 "Multilabel"True 时，值必须在 0 和 1 之间，且每个大于 0.5 的值会在决策的输出列表中产生一个类.
    • 属性
  • NetDecoder[…][data,prop] 可用来计算输入数据的特定属性.
  • 当一个 "Class" 解码器被添加到网络中时，net[data,prop] or net[data,"oport"->prop] 可用来计算解码后的输出的特定属性.
  • "Class" 解码器支持下列属性 prop：
  • "Decision"概率最高的类别 ci （默认）
    "TopDecisions"n概率最高的 n 个类别
    "TopProbabilities"可能性最高的 ci 的概率，以规则列表形式返回
    "TopProbabilities"nn 个可能性最高的 ci 的概率
    "Probabilities"关联 <|c1->p1,c2->p2,…|>
    "Probability"ci特定 ci 的概率
    "Entropy"概率分布的熵
    "RandomSample"按每个类别的概率比例对其进行采样
    "RandomSample"t用正的温度 t 进行采样
    "RandomSample"{param1val1,…}具有特定行为的随机抽样
    None不解码，直接返回输入
  • "RandomSample"{param1val1,…} 中 parami 的可能设置包括：
  • "Temperature"t使用正值温度 t 的样本
    "TotalProbabilityCutoff"p在累积概率至少为 p 的最可能的类别中抽样（核抽样 nucleus sampling）
    "TopProbabilities"k仅在 k 个最高概率的类别中采样

范例

打开所有单元关闭所有单元

基本范例  (1)

创建类别解码器：

对概率向量应用解码器，返回最可能的类：

获取结果为某个类的概率：

范围  (3)

解码器最常见的应用是将其将连接到网络的输出上：

这样，网络将返回一个类别标签：

创建并添加使用连续整数作为类别标签的类别解码器：

创建类别解码器：

对概率向量应用解码器，进行类别预测：

返回最可能的两个预测：

返回所有类别的概率：

返回分布的熵：

返回一批输入的熵：

根据概率对类进行采样：

参数  (2)

"InputDepth"  (1)

创建输入为矩阵的类别解码器：

对矩阵应用解码器，其中的行 (row) 为概率向量：

获取每个类别的概率：

将解码器添加到网络中，并对输入应用解码器：

"Multilabel"  (1)

创建一个多标签类解码器：

将解码器应用于独立概率的向量：

为每个类获取概率：

获取每个类的熵：

根据概率取样一个类的列表：