Calcula a perda de entropia cruzada entre os rótulos e as previsões.
Use esta função de perda de entropia cruzada quando houver duas ou mais classes de rótulos. Esperamos que os rótulos sejam fornecidos em uma representação one_hot. Se você deseja fornecer rótulos como números inteiros, use a perda SparseCategoricalCrossentropy
. Deve haver # classes
valores de ponto flutuante por recurso.
Uso autônomo:
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
Chamando com peso amostral:
Operand<TFloat32> sampleWeight = tf.constant(new float[] {0.3f, 0.7f}); Operand<TFloat32> result = cce.call(labels, predictions, sampleWeight); // produces 0.814f
Usando o tipo de redução SUM
:
CategoricalCrossentropy cce = new CategoricalCrossentropy(tf, Reduction.SUM); Operand<TFloat32> result = cce.call(labels, predictions); // produces 2.354f
Usando o tipo de redução NONE
:
CategoricalCrossentropy cce = new CategoricalCrossentropy(tf, Reduction.NONE); Operand<TFloat32> result = cce.call(labels, predictions); // produces [0.0513f, 2.303f]
Constantes
interno | DEFAULT_AXIS | |
boleano | FROM_LOGITS_DEFAULT | |
flutuador | LABEL_SMOOTHING_DEFAULT |
Campos Herdados
Construtores Públicos
Cruzentropia Categórica (Ops tf) Cria uma perda de entropia cruzada categórica usando getSimpleName() como o nome da perda, FROM_LOGITS_DEFAULT para fromLogits, LABEL_SMOOTHING_DEFAULT para labelSmoothing, uma redução de perda de REDUCTION_DEFAULT e um eixo de DEFAULT_AXIS | |
CategoricalCrossentropy (Ops tf, nome da string) Cria uma perda de entropia cruzada categórica usando FROM_LOGITS_DEFAULT para fromLogits, LABEL_SMOOTHING_DEFAULT para labelSmoothing, uma redução de perda de REDUCTION_DEFAULT e um eixo de DEFAULT_AXIS | |
CategóricaCrossentropia (Ops tf, Redução de redução ) Cria uma perda de entropia cruzada categórica usando getSimpleName() como o nome da perda, FROM_LOGITS_DEFAULT para fromLogits, LABEL_SMOOTHING_DEFAULT para labelSmoothing e um eixo de DEFAULT_AXIS | |
CategoricalCrossentropy (Ops tf, nome da string, redução de redução ) Cria uma perda de entropia cruzada categórica FROM_LOGITS_DEFAULT para fromLogits, LABEL_SMOOTHING_DEFAULT para labelSmoothing e um eixo de DEFAULT_AXIS | |
CategóricaCrossentropia (Ops tf, booleano fromLogits) Cria uma perda de entropia cruzada categórica usando getSimpleName() como o nome da perda, LABEL_SMOOTHING_DEFAULT para labelSmoothing, uma redução de perda de REDUCTION_DEFAULT e um eixo de DEFAULT_AXIS | |
CategoricalCrossentropy (Ops tf, nome da string, booleano fromLogits) Cria uma perda de entropia cruzada categórica usando LABEL_SMOOTHING_DEFAULT para labelSmoothing, uma redução de perda de REDUCTION_DEFAULT e um eixo de canal de DEFAULT_AXIS | |
CategoricalCrossentropy (Ops tf, boolean fromLogits, float labelSmoothing) Cria uma perda de entropia cruzada categórica usando getSimpleName() como o nome da perda, uma redução de perda de REDUCTION_DEFAULT e um eixo de canal de DEFAULT_AXIS | |
CategoricalCrossentropy (Ops tf, String name, boolean fromLogits, float labelSmoothing) Cria uma perda de entropia cruzada categórica usando uma redução de perda de REDUCTION_DEFAULT e um eixo de canal de DEFAULT_AXIS | |
CategoricalCrossentropy (Ops tf, booleano fromLogits, rótulo flutuante Suavização, redução de redução ) Cria uma perda de entropia cruzada categórica usando getSimpleName() como o nome da perda e um eixo de canal de DEFAULT_AXIS | |
CategoricalCrossentropy (Ops tf, String name, boolean fromLogits, float labelSmoothing, Reductionduction , int axis) Cria uma perda de entropia cruzada categórica |
Métodos Públicos
<T estende TNumber > Operando <T> | chamada ( Operando <? estende TNumber > rótulos, previsões de Operando <T>, Operando <T> sampleWeights) Gera um Operando que calcula a perda. |
Métodos herdados
Constantes
público estático final int DEFAULT_AXIS
público estático final booleano FROM_LOGITS_DEFAULT
flutuador final estático público LABEL_SMOOTHING_DEFAULT
Construtores Públicos
cruzentropia categórica pública (Ops tf)
Cria uma perda de entropia cruzada categórica usando getSimpleName()
como o nome da perda, FROM_LOGITS_DEFAULT
para fromLogits, LABEL_SMOOTHING_DEFAULT
para labelSmoothing, uma redução de perda de REDUCTION_DEFAULT
e um eixo de DEFAULT_AXIS
Parâmetros
TF | as operações do TensorFlow |
---|
público CategoricalCrossentropy (Ops tf, nome da string)
Cria uma perda de entropia cruzada categórica usando FROM_LOGITS_DEFAULT
para fromLogits, LABEL_SMOOTHING_DEFAULT
para labelSmoothing, uma redução de perda de REDUCTION_DEFAULT
e um eixo de DEFAULT_AXIS
Parâmetros
TF | as operações do TensorFlow |
---|---|
nome | o nome dessa perda |
public CategoricalCrossentropy (Ops tf, redução de redução )
Cria uma perda de entropia cruzada categórica usando getSimpleName()
como o nome da perda, FROM_LOGITS_DEFAULT
para fromLogits, LABEL_SMOOTHING_DEFAULT
para labelSmoothing e um eixo de DEFAULT_AXIS
Parâmetros
TF | as operações do TensorFlow |
---|---|
redução | Tipo de Redução a aplicar à perda. |
public CategoricalCrossentropy (Ops tf, nome da string, redução de redução )
Cria uma perda de entropia cruzada categórica FROM_LOGITS_DEFAULT
para fromLogits, LABEL_SMOOTHING_DEFAULT
para labelSmoothing e um eixo de DEFAULT_AXIS
Parâmetros
TF | as operações do TensorFlow |
---|---|
nome | o nome dessa perda |
redução | Tipo de Redução a aplicar à perda. |
public CategoricalCrossentropy (Ops tf, booleano fromLogits)
Cria uma perda de entropia cruzada categórica usando getSimpleName()
como o nome da perda, LABEL_SMOOTHING_DEFAULT
para labelSmoothing, uma redução de perda de REDUCTION_DEFAULT
e um eixo de DEFAULT_AXIS
Parâmetros
TF | as operações do TensorFlow |
---|---|
deLogits | Se deve interpretar as previsões como um tensor de valores logit |
public CategoricalCrossentropy (Ops tf, String name, boolean fromLogits)
Cria uma perda de entropia cruzada categórica usando LABEL_SMOOTHING_DEFAULT
para labelSmoothing, uma redução de perda de REDUCTION_DEFAULT
e um eixo de canal de DEFAULT_AXIS
Parâmetros
TF | as operações do TensorFlow |
---|---|
nome | o nome dessa perda |
deLogits | Se deve interpretar as previsões como um tensor de valores logit |
public CategoricalCrossentropy (Ops tf, boolean fromLogits, float labelSmoothing)
Cria uma perda de entropia cruzada categórica usando getSimpleName()
como o nome da perda, uma redução de perda de REDUCTION_DEFAULT
e um eixo de canal de DEFAULT_AXIS
Parâmetros
TF | as operações do TensorFlow |
---|---|
deLogits | Se deve interpretar as previsões como um tensor de valores logit |
etiqueta Suavização | Flutuar em [0, 1] . Quando > 0 , os valores dos rótulos são suavizados, o que significa que a confiança nos valores dos rótulos é relaxada. por exemplo labelSmoothing=0.2 significa que usaremos um valor de 0.1 para o rótulo 0 e 0.9 para o rótulo 1 |
public CategoricalCrossentropy (Ops tf, String name, boolean fromLogits, float labelSmoothing)
Cria uma perda de entropia cruzada categórica usando uma redução de perda de REDUCTION_DEFAULT
e um eixo de canal de DEFAULT_AXIS
Parâmetros
TF | as operações do TensorFlow |
---|---|
nome | o nome dessa perda |
deLogits | Se deve interpretar as previsões como um tensor de valores logit |
etiqueta Suavização | Flutuar em [0, 1] . Quando > 0 , os valores dos rótulos são suavizados, o que significa que a confiança nos valores dos rótulos é relaxada. por exemplo labelSmoothing=0.2 significa que usaremos um valor de 0.1 para o rótulo 0 e 0.9 para o rótulo 1 |
public CategoricalCrossentropy (Ops tf, boolean fromLogits, float labelSmoothing, Reductionduction )
Cria uma perda de entropia cruzada categórica usando getSimpleName()
como o nome da perda e um eixo de canal de DEFAULT_AXIS
Parâmetros
TF | as operações do TensorFlow |
---|---|
deLogits | Se deve interpretar as previsões como um tensor de valores logit |
etiqueta Suavização | Flutuar em [0, 1] . Quando > 0 , os valores dos rótulos são suavizados, o que significa que a confiança nos valores dos rótulos é relaxada. por exemplo x=0.2 significa que usaremos um valor de 0.1 para o rótulo 0 e 0.9 para o rótulo 1 |
redução | Tipo de Redução a aplicar à perda. |
public CategoricalCrossentropy (Ops tf, String name, boolean fromLogits, float labelSmoothing, Reductionduction , int axis)
Cria uma perda de entropia cruzada categórica
Parâmetros
TF | as operações do TensorFlow |
---|---|
nome | o nome dessa perda |
deLogits | Se deve interpretar as previsões como um tensor de valores logit |
etiqueta Suavização | Flutuar em [0, 1] . Quando > 0 , os valores dos rótulos são suavizados, o que significa que a confiança nos valores dos rótulos é relaxada. por exemplo labelSmoothing=0.2 significa que usaremos um valor de 0.1 para o rótulo 0 e 0.9 para o rótulo 1 |
redução | Tipo de Redução a aplicar à perda. |
eixo | O eixo dos canais. axis=-1 corresponde ao formato de dados "Canais Últimos" e axis=1 corresponde ao formato de dados "Canais Primeiro". CHANNELS_LAST e CHANNELS_FIRST |
Lança
Exceção de argumento ilegal | se labelSmoothing não estiver no intervalo inclusivo de 0. - 1. |
---|
Métodos Públicos
chamada de operando público <T> ( Operando <? estende TNumber > rótulos, previsões de operando <T>, pesos de amostra de operando <T>)
Gera um Operando que calcula a perda.
Se executado no modo Graph, o cálculo lançará TFInvalidArgumentException
se os valores das previsões estiverem fora do intervalo o [0. para 1.]. No modo Eager, esta chamada lançará IllegalArgumentException
, se os valores das previsões estiverem fora do intervalo o [0. para 1.]
Parâmetros
rótulos | os valores de verdade ou rótulos |
---|---|
previsões | as previsões, os valores devem estar no intervalo [0. para 1.] inclusive. |
pesos de amostra | SampleWeights opcionais atuam como um coeficiente para a perda. Se um escalar for fornecido, a perda será simplesmente dimensionada pelo valor fornecido. Se SampleWeights for um tensor de tamanho [batch_size], então a perda total de cada amostra do lote será redimensionada pelo elemento correspondente no vetor SampleWeights. Se a forma de SampleWeights for [batch_size, d0, .. dN-1] (ou puder ser transmitida para esta forma), então cada elemento de perda de previsões será dimensionado pelo valor correspondente de SampleWeights. (Nota sobre dN-1: todas as funções de perda são reduzidas em 1 dimensão, geralmente eixo=-1.) |
Devoluções
- a perda
Lança
Exceção de argumento ilegal | se as previsões estiverem fora do intervalo [0.-1.]. |
---|