افت متقاطع بین برچسب ها و پیش بینی ها را محاسبه می کند.
هنگامی که دو یا چند کلاس برچسب وجود دارد از این تابع تلفات متقاطع استفاده کنید. ما انتظار داریم که برچسبها در یک نمایش one_hot ارائه شوند. اگر میخواهید برچسبها را بهعنوان اعداد صحیح ارائه کنید، لطفاً از از دست دادن SparseCategoricalCrossentropy
استفاده کنید. برای هر ویژگی باید # classes
مقدار ممیز شناور وجود داشته باشد.
استفاده مستقل:
Operand<TFloat32> labels = tf.constant(new float[][] { {0, 1, 0}, {0, 0, 1} }); Operand<TFloat32> predictions = tf.constant(new float[][] { {0.05f, 0.95f, 0f}, {0.1f, 0.8f, 0.1f} }); CategoricalCrossentropy cce = new CategoricalCrossentropy(tf); Operand<TFloat32> result = cce.call(labels, predictions); // produces 1.177
تماس با وزن نمونه:
Operand<TFloat32> sampleWeight = tf.constant(new float[] {0.3f, 0.7f}); Operand<TFloat32> result = cce.call(labels, predictions, sampleWeight); // produces 0.814f
با استفاده از نوع کاهش SUM
:
CategoricalCrossentropy cce = new CategoricalCrossentropy(tf, Reduction.SUM); Operand<TFloat32> result = cce.call(labels, predictions); // produces 2.354f
با استفاده از نوع کاهش NONE
:
CategoricalCrossentropy cce = new CategoricalCrossentropy(tf, Reduction.NONE); Operand<TFloat32> result = cce.call(labels, predictions); // produces [0.0513f, 2.303f]
ثابت ها
بین المللی | DEFAULT_AXIS | |
بولی | FROM_LOGITS_DEFAULT | |
شناور | LABEL_SMOOTHING_DEFAULT |
فیلدهای ارثی
سازندگان عمومی
دسته بندی متقاطع (Ops tf) با استفاده از getSimpleName() به عنوان نام فقدان، FROM_LOGITS_DEFAULT برای fromLogits، LABEL_SMOOTHING_DEFAULT برای labelSmoothing، کاهش تلفات REDUCTION_DEFAULT و محور DEFAULT_AXIS ، یک آنتروپی متقاطع Loss ایجاد می کند. | |
CategoryCrossentropy (Ops tf، نام رشته) با استفاده از FROM_LOGITS_DEFAULT برای fromLogits، LABEL_SMOOTHING_DEFAULT برای labelSmoothing، کاهش تلفات REDUCTION_DEFAULT و محور DEFAULT_AXIS ، یک افت آنتروپی متقاطع طبقهبندی میکند. | |
دسته بندی متقاطع (Ops tf، کاهش کاهش) با استفاده از getSimpleName() به عنوان نام فقدان، FROM_LOGITS_DEFAULT برای fromLogits، LABEL_SMOOTHING_DEFAULT برای labelSmoothing و یک محور DEFAULT_AXIS یک آنتروپی متقاطع Loss ایجاد می کند. | |
دسته بندی متقاطع (Ops tf، نام رشته، کاهش کاهش) یک افت آنتروپی متقاطع طبقه بندی شده FROM_LOGITS_DEFAULT برای fromLogits، LABEL_SMOOTHING_DEFAULT برای labelSmoothing، و یک محور DEFAULT_AXIS ایجاد می کند. | |
CategoryCrossentropy (Ops tf، Boolean fromLogits) با استفاده از getSimpleName() به عنوان نام ضرر، LABEL_SMOOTHING_DEFAULT برای labelSmoothing، کاهش تلفات REDUCTION_DEFAULT و محور DEFAULT_AXIS ، یک افت آنتروپی متقاطع را ایجاد می کند. | |
CategoryCrossentropy (Ops tf، نام رشته، منطقی از Logits) با استفاده از LABEL_SMOOTHING_DEFAULT برای labelSmoothing، کاهش تلفات REDUCTION_DEFAULT و محور کانال DEFAULT_AXIS یک افت آنتروپی متقاطع طبقه بندی می کند. | |
CategoryCrossentropy (Ops tf، Boolean fromLogits، float labelSmoothing) با استفاده از getSimpleName() به عنوان نام ضرر، کاهش تلفات REDUCTION_DEFAULT ، و یک محور کانال DEFAULT_AXIS یک Loss متقاطع متقاطع ایجاد می کند. | |
CategoryCrossentropy (Ops tf، نام رشته، منطقی از Logits، float labelSmoothing) با استفاده از کاهش تلفات REDUCTION_DEFAULT و یک محور کانال DEFAULT_AXIS ، یک افت آنتروپی متقاطع طبقه بندی می کند. | |
دسته بندی متقابل (Ops tf، منطقی از Logits، برچسب شناور هموارسازی، کاهش کاهش) با استفاده از getSimpleName() به عنوان نام از دست دادن و محور کانال DEFAULT_AXIS یک آنتروپی متقاطع Loss ایجاد می کند. | |
دسته بندی متقاطع (Ops tf، نام رشته، منطقی از Logits، برچسب شناور هموارسازی، کاهش کاهش ، محور int) یک اتلاف آنتروپی متقاطع را ایجاد می کند |
روش های عمومی
<T TNumber > عملوند <T> را گسترش می دهد |
روش های ارثی
ثابت ها
عمومی استاتیک نهایی int DEFAULT_AXIS
بولین نهایی ثابت عمومی FROM_LOGITS_DEFAULT
شناور نهایی ثابت عمومی LABEL_SMOOTHING_DEFAULT
سازندگان عمومی
عمومی دسته بندی متقاطع (Ops tf)
با استفاده از getSimpleName()
به عنوان نام فقدان، FROM_LOGITS_DEFAULT
برای fromLogits، LABEL_SMOOTHING_DEFAULT
برای labelSmoothing، کاهش تلفات REDUCTION_DEFAULT
و محور DEFAULT_AXIS
، یک آنتروپی متقاطع Loss ایجاد می کند.
مولفه های
tf | TensorFlow Ops |
---|
عمومی دسته بندی متقاطع (Ops tf، نام رشته)
با استفاده از FROM_LOGITS_DEFAULT
برای fromLogits، LABEL_SMOOTHING_DEFAULT
برای labelSmoothing، کاهش تلفات REDUCTION_DEFAULT
و محور DEFAULT_AXIS
، یک افت آنتروپی متقاطع طبقهبندی میکند.
مولفه های
tf | TensorFlow Ops |
---|---|
نام | نام این باخت |
عمومی دسته بندی متقاطع (Ops tf، کاهش کاهش)
با استفاده از getSimpleName()
به عنوان نام فقدان، FROM_LOGITS_DEFAULT
برای fromLogits، LABEL_SMOOTHING_DEFAULT
برای labelSmoothing و یک محور DEFAULT_AXIS
یک آنتروپی متقاطع Loss ایجاد می کند.
مولفه های
tf | TensorFlow Ops |
---|---|
کاهش | نوع کاهش برای اعمال ضرر. |
عمومی دسته بندی متقاطع (Ops tf، نام رشته، کاهش کاهش)
یک افت آنتروپی متقاطع طبقه بندی شده FROM_LOGITS_DEFAULT
برای fromLogits، LABEL_SMOOTHING_DEFAULT
برای labelSmoothing، و یک محور DEFAULT_AXIS
ایجاد می کند.
مولفه های
tf | TensorFlow Ops |
---|---|
نام | نام این باخت |
کاهش | نوع کاهش برای اعمال ضرر. |
عمومی CategoricalCrossentropy (Ops tf، Boolean fromLogits)
با استفاده از getSimpleName()
به عنوان نام ضرر، LABEL_SMOOTHING_DEFAULT
برای labelSmoothing، کاهش تلفات REDUCTION_DEFAULT
و محور DEFAULT_AXIS
، یک افت آنتروپی متقاطع را ایجاد می کند.
مولفه های
tf | TensorFlow Ops |
---|---|
از لاجیتز | اینکه آیا پیشبینیها را به عنوان تانسور مقادیر لاجیت تفسیر کنیم |
عمومی CategoricalCrossentropy (Ops tf، نام رشته، منطقی از Logits)
با استفاده از LABEL_SMOOTHING_DEFAULT
برای labelSmoothing، کاهش تلفات REDUCTION_DEFAULT
و محور کانال DEFAULT_AXIS
یک افت آنتروپی متقاطع طبقه بندی می کند.
مولفه های
tf | TensorFlow Ops |
---|---|
نام | نام این باخت |
از لاجیتز | اینکه آیا پیشبینیها را به عنوان تانسور مقادیر لاجیت تفسیر کنیم |
عمومی CategoricalCrossentropy (Ops tf، Boolean fromLogits، float labelSmoothing)
با استفاده از getSimpleName()
به عنوان نام ضرر، کاهش تلفات REDUCTION_DEFAULT
، و یک محور کانال DEFAULT_AXIS
یک Loss متقاطع متقاطع ایجاد می کند.
مولفه های
tf | TensorFlow Ops |
---|---|
از لاجیتز | اینکه آیا پیشبینیها را به عنوان تانسور مقادیر لاجیت تفسیر کنیم |
برچسب صاف کردن | شناور در [0, 1] . وقتی > 0 ، مقادیر برچسب هموار می شوند، به این معنی که اطمینان در مقادیر برچسب کاهش می یابد. به عنوان مثال labelSmoothing=0.2 به این معنی است که از مقدار 0.1 برای برچسب 0 و 0.9 برای برچسب 1 استفاده خواهیم کرد. |
عمومی CategoricalCrossentropy (Ops tf، نام رشته، منطقی از Logits، float labelSmoothing)
با استفاده از کاهش تلفات REDUCTION_DEFAULT
و یک محور کانال DEFAULT_AXIS
، یک افت آنتروپی متقاطع طبقه بندی می کند.
مولفه های
tf | TensorFlow Ops |
---|---|
نام | نام این باخت |
از لاجیتز | اینکه آیا پیشبینیها را به عنوان تانسور مقادیر لاجیت تفسیر کنیم |
برچسب صاف کردن | شناور در [0, 1] . وقتی > 0 ، مقادیر برچسب هموار می شوند، به این معنی که اطمینان در مقادیر برچسب کاهش می یابد. به عنوان مثال labelSmoothing=0.2 به این معنی است که از مقدار 0.1 برای برچسب 0 و 0.9 برای برچسب 1 استفاده خواهیم کرد. |
عمومی CategoricalCrossentropy (Ops tf، Boolean fromLogits، float labelSmoothing، Reduction Reduction)
با استفاده از getSimpleName()
به عنوان نام از دست دادن و محور کانال DEFAULT_AXIS
یک آنتروپی متقاطع Loss ایجاد می کند.
مولفه های
tf | TensorFlow Ops |
---|---|
از لاجیتز | اینکه آیا پیشبینیها را به عنوان تانسور مقادیر لاجیت تفسیر کنیم |
برچسب صاف کردن | شناور در [0, 1] . وقتی > 0 ، مقادیر برچسب هموار می شوند، به این معنی که اطمینان در مقادیر برچسب کاهش می یابد. به عنوان مثال x=0.2 به این معنی است که از مقدار 0.1 برای برچسب 0 و 0.9 برای برچسب 1 استفاده خواهیم کرد. |
کاهش | نوع کاهش برای اعمال ضرر. |
عمومی CategoricalCrossentropy (Ops tf، نام رشته، منطقی از Logits، برچسب شناور هموارسازی، کاهش کاهش، محور int)
یک اتلاف آنتروپی متقاطع را ایجاد می کند
مولفه های
tf | TensorFlow Ops |
---|---|
نام | نام این باخت |
از لاجیتز | اینکه آیا پیشبینیها را به عنوان تانسور مقادیر لاجیت تفسیر کنیم |
برچسب صاف کردن | شناور در [0, 1] . وقتی > 0 ، مقادیر برچسب هموار می شوند، به این معنی که اطمینان در مقادیر برچسب کاهش می یابد. به عنوان مثال labelSmoothing=0.2 به این معنی است که از مقدار 0.1 برای برچسب 0 و 0.9 برای برچسب 1 استفاده خواهیم کرد. |
کاهش | نوع کاهش برای اعمال ضرر. |
محور | محور کانال ها axis=-1 مربوط به قالب داده "Channels Last" و axis=1 مربوط به قالب داده "Channels First" است. CHANNELS_LAST و CHANNELS_FIRST |
پرتاب می کند
IllegalArgumentException | اگر labelSmoothing در محدوده 0 - 1 نباشد. |
---|
روش های عمومی
فراخوان عمومی Operand <T> ( Operand <? TNumber > برچسب ها را گسترش می دهد، پیش بینی های Operand <T>، Operand <T> sampleWeights)
یک عملوند تولید می کند که ضرر را محاسبه می کند.
اگر در حالت Graph اجرا شود، اگر مقادیر پیشبینیها خارج از محدوده o [0 باشند، محاسبه TFInvalidArgumentException
را انجام میدهد. به 1.]. در حالت اشتیاق، اگر مقادیر پیشبینیها خارج از محدوده o [0 باشند، این فراخوانی IllegalArgumentException
را انجام میدهد. به 1.]
مولفه های
برچسب ها | ارزش ها یا برچسب های حقیقت |
---|---|
پیش بینی ها | پیش بینی ها، مقادیر باید در محدوده [0. به 1.] شامل. |
وزن نمونه | SampleWeights اختیاری به عنوان ضریب ضرر عمل می کند. اگر یک اسکالر ارائه شود، ضرر به سادگی با مقدار داده شده مقیاس می شود. اگر SampleWeights یک تانسور با اندازه [batch_size] باشد، آنگاه تلفات کل برای هر نمونه از دسته توسط عنصر مربوطه در بردار SampleWeights مجدداً مقیاس میشود. اگر شکل SampleWeights [batch_size, d0, .. dN-1] باشد (یا می تواند به این شکل پخش شود)، آنگاه هر عنصر از دست دادن پیش بینی با مقدار مربوط به SampleWeights مقیاس می شود. (توجه به dN-1: تمام توابع تلفات 1 بعد کاهش می یابد، معمولاً محور =-1.) |
برمی گرداند
- از دست دادن
پرتاب می کند
IllegalArgumentException | اگر پیش بینی ها خارج از محدوده [0.-1.] باشد. |
---|