คำนวณการสูญเสียข้ามเอนโทรปีระหว่างป้ายกำกับและการทำนาย
ใช้ฟังก์ชันการสูญเสียข้ามเอนโทรปีนี้เมื่อมีคลาสเลเบลตั้งแต่สองคลาสขึ้นไป เราคาดหวังว่าจะมีการจัดเตรียมป้ายกำกับในรูปแบบ one_hot หากคุณต้องการระบุป้ายกำกับเป็นจำนวนเต็ม โปรดใช้การสูญเสีย SparseCategoricalCrossentropy
ควรมีค่าจุดทศนิยม # classes
ต่อจุดสนใจ
การใช้งานแบบสแตนด์อโลน:
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
การโทรด้วยน้ำหนักตัวอย่าง:
Operand<TFloat32> sampleWeight = tf.constant(new float[] {0.3f, 0.7f}); Operand<TFloat32> result = cce.call(labels, predictions, sampleWeight); // produces 0.814f
การใช้ประเภทการลด SUM
:
CategoricalCrossentropy cce = new CategoricalCrossentropy(tf, Reduction.SUM); Operand<TFloat32> result = cce.call(labels, predictions); // produces 2.354f
การใช้ประเภทการลด NONE
:
CategoricalCrossentropy cce = new CategoricalCrossentropy(tf, Reduction.NONE); Operand<TFloat32> result = cce.call(labels, predictions); // produces [0.0513f, 2.303f]
ค่าคงที่
ภายใน | DEFAULT_AXIS | |
บูลีน | FROM_LOGITS_DEFAULT | |
ลอย | LABEL_SMOOTHING_DEFAULT |
ฟิลด์ที่สืบทอดมา
คอนสตรัคชั่นสาธารณะ
หมวดหมู่ Crossentropy (Ops tf) สร้างการสูญเสียเอนโทรปีข้ามหมวดหมู่โดยใช้ getSimpleName() เป็นชื่อการสูญเสีย, FROM_LOGITS_DEFAULT สำหรับ fromLogits, LABEL_SMOOTHING_DEFAULT สำหรับ label Smoothing, การลดการสูญเสียของ REDUCTION_DEFAULT และแกนของ DEFAULT_AXIS | |
หมวดหมู่ Crossentropy (Ops tf ชื่อสตริง) สร้างการสูญเสียเอนโทรปีข้ามหมวดหมู่โดยใช้ FROM_LOGITS_DEFAULT สำหรับ fromLogits, LABEL_SMOOTHING_DEFAULT สำหรับ label Smoothing, การลดการสูญเสีย REDUCTION_DEFAULT และแกนของ DEFAULT_AXIS | |
หมวดหมู่ Crossentropy (Ops tf, ลด การลด ) สร้างการสูญเสียเอนโทรปีข้ามหมวดหมู่โดยใช้ getSimpleName() เป็นชื่อการสูญเสีย, FROM_LOGITS_DEFAULT สำหรับ fromLogits, LABEL_SMOOTHING_DEFAULT สำหรับ label Smoothing และแกนของ DEFAULT_AXIS | |
หมวดหมู่ Crossentropy (Ops tf, ชื่อสตริง, การลด การลด ) สร้างเอนโทรปีข้ามหมวดหมู่ การสูญเสีย FROM_LOGITS_DEFAULT สำหรับ fromLogits, LABEL_SMOOTHING_DEFAULT สำหรับ label Smoothing และแกนของ DEFAULT_AXIS | |
หมวดหมู่ Crossentropy (Ops tf, บูลีนจาก Logits) สร้างเอนโทรปีข้ามหมวดหมู่ Loss โดยใช้ getSimpleName() เป็นชื่อการสูญเสีย LABEL_SMOOTHING_DEFAULT สำหรับ label Smoothing การลดการสูญเสีย REDUCTION_DEFAULT และแกนของ DEFAULT_AXIS | |
CategoricalCrossentropy (Ops tf, ชื่อสตริง, บูลีนจาก Logits) สร้างการสูญเสียเอนโทรปีข้ามหมวดหมู่โดยใช้ LABEL_SMOOTHING_DEFAULT สำหรับ label Smoothing, การลดการสูญเสีย REDUCTION_DEFAULT และแกนช่องสัญญาณเป็น DEFAULT_AXIS | |
หมวดหมู่ Crossentropy (Ops tf, บูลีนจาก Logits, ป้ายกำกับลอยทำให้เรียบ) สร้าง cross entropy Loss แบบเด็ดขาดโดยใช้ getSimpleName() เป็นชื่อการสูญเสีย Loss Reduction เป็น REDUCTION_DEFAULT และแกนช่องเป็น DEFAULT_AXIS | |
หมวดหมู่ Crossentropy (Ops tf, ชื่อสตริง, บูลีนจาก Logits, ป้ายกำกับโฟลตให้เรียบ) สร้างการสูญเสียเอนโทรปีข้ามหมวดหมู่โดยใช้การลดการสูญเสียของ REDUCTION_DEFAULT และแกนของช่องสัญญาณของ DEFAULT_AXIS | |
หมวดหมู่ Crossentropy (Ops tf, บูลีนจาก Logits, ป้ายกำกับโฟลตการทำให้เรียบ, การลด การ ลด) สร้างการสูญเสียเอนโทรปีข้ามหมวดหมู่โดยใช้ getSimpleName() เป็นชื่อการสูญเสียและแกนช่องสัญญาณของ DEFAULT_AXIS | |
หมวดหมู่ Crossentropy (Ops tf, ชื่อสตริง, บูลีนจาก Logits, ป้ายกำกับโฟลตทำให้เรียบ, การลด การลด , แกน int) สร้างการสูญเสียเอนโทรปีข้ามหมวดหมู่ |
วิธีการสาธารณะ
<T ขยาย TNumber > ตัวถูกดำเนินการ <T> | โทร ( ตัวดำเนินการ <? ขยาย TNumber > ป้ายกำกับ, ตัวดำเนินการ <T> การคาดคะเน, ตัวดำเนินการ <T> ตัวอย่างน้ำหนัก) สร้างตัวถูกดำเนินการที่คำนวณการสูญเสีย |
วิธีการสืบทอด
ค่าคงที่
สาธารณะคงสุดท้าย int DEFAULT_AXIS
บูลีนสุดท้ายแบบคงที่สาธารณะ FROM_LOGITS_DEFAULT
โฟลตสุดท้ายแบบคงที่สาธารณะ LABEL_SMOOTHING_DEFAULT
คอนสตรัคชั่นสาธารณะ
สาธารณะ CategoricalCrossentropy (Ops tf)
สร้างการสูญเสียเอนโทรปีข้ามหมวดหมู่โดยใช้ getSimpleName()
เป็นชื่อการสูญเสีย, FROM_LOGITS_DEFAULT
สำหรับ fromLogits, LABEL_SMOOTHING_DEFAULT
สำหรับ label Smoothing, การลดการสูญเสียของ REDUCTION_DEFAULT
และแกนของ DEFAULT_AXIS
พารามิเตอร์
ไม่ | Ops ของ TensorFlow |
---|
สาธารณะ CategoricalCrossentropy (Ops tf ชื่อสตริง)
สร้างการสูญเสียเอนโทรปีข้ามหมวดหมู่โดยใช้ FROM_LOGITS_DEFAULT
สำหรับ fromLogits, LABEL_SMOOTHING_DEFAULT
สำหรับ label Smoothing, การลดการสูญเสีย REDUCTION_DEFAULT
และแกนของ DEFAULT_AXIS
พารามิเตอร์
ไม่ | Ops ของ TensorFlow |
---|---|
ชื่อ | ชื่อของการสูญเสียครั้งนี้ |
สาธารณะ CategoricalCrossentropy (Ops tf, การลด การลด )
สร้างการสูญเสียเอนโทรปีข้ามหมวดหมู่โดยใช้ getSimpleName()
เป็นชื่อการสูญเสีย, FROM_LOGITS_DEFAULT
สำหรับ fromLogits, LABEL_SMOOTHING_DEFAULT
สำหรับ label Smoothing และแกนของ DEFAULT_AXIS
พารามิเตอร์
ไม่ | Ops ของ TensorFlow |
---|---|
การลดน้อยลง | ประเภทของการลดที่จะใช้กับการสูญเสีย |
สาธารณะ CategoricalCrossentropy (Ops tf ชื่อสตริง การลด การลด )
สร้างเอนโทรปีข้ามหมวดหมู่ การสูญเสีย FROM_LOGITS_DEFAULT
สำหรับ fromLogits, LABEL_SMOOTHING_DEFAULT
สำหรับ label Smoothing และแกนของ DEFAULT_AXIS
พารามิเตอร์
ไม่ | Ops ของ TensorFlow |
---|---|
ชื่อ | ชื่อของการสูญเสียครั้งนี้ |
การลดน้อยลง | ประเภทของการลดที่จะใช้กับการสูญเสีย |
สาธารณะ CategoricalCrossentropy (Ops tf, บูลีนจาก Logits)
สร้างเอนโทรปีข้ามหมวดหมู่ Loss โดยใช้ getSimpleName()
เป็นชื่อการสูญเสีย LABEL_SMOOTHING_DEFAULT
สำหรับ label Smoothing การลดการสูญเสีย REDUCTION_DEFAULT
และแกนของ DEFAULT_AXIS
พารามิเตอร์
ไม่ | Ops ของ TensorFlow |
---|---|
จากLogits | ไม่ว่าจะตีความการทำนายเป็นเทนเซอร์ของค่า logit หรือไม่ |
สาธารณะ CategoricalCrossentropy (Ops tf ชื่อสตริง บูลีนจาก Logits)
สร้างการสูญเสียเอนโทรปีข้ามหมวดหมู่โดยใช้ LABEL_SMOOTHING_DEFAULT
สำหรับ label Smoothing, การลดการสูญเสีย REDUCTION_DEFAULT
และแกนช่องสัญญาณเป็น DEFAULT_AXIS
พารามิเตอร์
ไม่ | Ops ของ TensorFlow |
---|---|
ชื่อ | ชื่อของการสูญเสียครั้งนี้ |
จากLogits | ไม่ว่าจะตีความการทำนายเป็นเทนเซอร์ของค่า logit หรือไม่ |
สาธารณะ CategoricalCrossentropy (Ops tf, บูลีนจาก Logits, ป้ายกำกับโฟลตให้เรียบ)
สร้าง cross entropy Loss แบบเด็ดขาดโดยใช้ getSimpleName()
เป็นชื่อการสูญเสีย Loss Reduction เป็น REDUCTION_DEFAULT
และแกนช่องเป็น DEFAULT_AXIS
พารามิเตอร์
ไม่ | Ops ของ TensorFlow |
---|---|
จากLogits | ไม่ว่าจะตีความการทำนายเป็นเทนเซอร์ของค่า logit หรือไม่ |
ฉลากปรับให้เรียบ | ลอยใน [0, 1] เมื่อ > 0 ค่าป้ายกำกับจะปรับให้เรียบ ซึ่งหมายความว่าความเชื่อมั่นในค่าป้ายกำกับจะผ่อนคลายลง เช่น labelSmoothing=0.2 หมายความว่าเราจะใช้ค่า 0.1 สำหรับป้ายกำกับ 0 และ 0.9 สำหรับป้ายกำกับ 1 |
สาธารณะ CategoricalCrossentropy (Ops tf ชื่อสตริง บูลีนจาก Logits ป้ายกำกับโฟลตให้เรียบ)
สร้างการสูญเสียเอนโทรปีข้ามหมวดหมู่โดยใช้การลดการสูญเสียของ REDUCTION_DEFAULT
และแกนของช่องสัญญาณของ DEFAULT_AXIS
พารามิเตอร์
ไม่ | Ops ของ TensorFlow |
---|---|
ชื่อ | ชื่อของการสูญเสียครั้งนี้ |
จากLogits | ไม่ว่าจะตีความการทำนายเป็นเทนเซอร์ของค่า logit หรือไม่ |
ฉลากปรับให้เรียบ | ลอยใน [0, 1] เมื่อ > 0 ค่าป้ายกำกับจะปรับให้เรียบ ซึ่งหมายความว่าความเชื่อมั่นในค่าป้ายกำกับจะผ่อนคลายลง เช่น labelSmoothing=0.2 หมายความว่าเราจะใช้ค่า 0.1 สำหรับป้ายกำกับ 0 และ 0.9 สำหรับป้ายกำกับ 1 |
สาธารณะ CategoricalCrossentropy (Ops tf, บูลีนจาก Logits, ป้ายกำกับโฟลตทำให้เรียบ, ลด การลด )
สร้างการสูญเสียเอนโทรปีข้ามหมวดหมู่โดยใช้ getSimpleName()
เป็นชื่อการสูญเสียและแกนช่องสัญญาณของ DEFAULT_AXIS
พารามิเตอร์
ไม่ | Ops ของ TensorFlow |
---|---|
จากLogits | ไม่ว่าจะตีความการทำนายเป็นเทนเซอร์ของค่า logit หรือไม่ |
ฉลากปรับให้เรียบ | ลอยใน [0, 1] เมื่อ > 0 ค่าป้ายกำกับจะปรับให้เรียบ ซึ่งหมายความว่าความเชื่อมั่นในค่าป้ายกำกับจะผ่อนคลายลง เช่น x=0.2 หมายความว่าเราจะใช้ค่า 0.1 สำหรับป้ายกำกับ 0 และ 0.9 สำหรับป้ายกำกับ 1 |
การลดน้อยลง | ประเภทของการลดที่จะใช้กับการสูญเสีย |
สาธารณะ CategoricalCrossentropy (Ops tf, ชื่อสตริง, บูลีนจาก Logits, ป้ายกำกับโฟลตทำให้เรียบ, ลด การลด , แกน int)
สร้างการสูญเสียเอนโทรปีข้ามหมวดหมู่
พารามิเตอร์
ไม่ | Ops ของ TensorFlow |
---|---|
ชื่อ | ชื่อของการสูญเสียครั้งนี้ |
จากLogits | ไม่ว่าจะตีความการทำนายเป็นเทนเซอร์ของค่า logit หรือไม่ |
ฉลากปรับให้เรียบ | ลอยใน [0, 1] เมื่อ > 0 ค่าป้ายกำกับจะปรับให้เรียบ ซึ่งหมายความว่าความเชื่อมั่นในค่าป้ายกำกับจะผ่อนคลายลง เช่น labelSmoothing=0.2 หมายความว่าเราจะใช้ค่า 0.1 สำหรับป้ายกำกับ 0 และ 0.9 สำหรับป้ายกำกับ 1 |
การลดน้อยลง | ประเภทของการลดที่จะใช้กับการสูญเสีย |
แกน | แกนช่อง. axis=-1 สอดคล้องกับรูปแบบข้อมูล "Channels Last" และ axis=1 สอดคล้องกับรูปแบบข้อมูล "Channels First" CHANNELS_LAST และ CHANNELS_FIRST |
ขว้าง
ข้อยกเว้นอาร์กิวเมนต์ที่ผิดกฎหมาย | ถ้า label Smoothing ไม่อยู่ในช่วงรวม 0 - 1 |
---|
วิธีการสาธารณะ
ตัวดำเนินการ สาธารณะ <T> โทร ( ตัวดำเนินการ <? ขยาย TNumber > ป้ายกำกับ, ตัวดำเนินการ <T> การคาดการณ์, ตัวดำเนินการ <T> ตัวอย่างน้ำหนัก)
สร้างตัวถูกดำเนินการที่คำนวณการสูญเสีย
หากทำงานในโหมดกราฟ การคำนวณจะส่ง TFInvalidArgumentException
หากค่าการคาดการณ์อยู่นอกช่วง o [0 ถึง 1.]. ในโหมด Eager การโทรนี้จะโยน IllegalArgumentException
หากค่าการคาดการณ์อยู่นอกช่วง o [0 ถึง 1.]
พารามิเตอร์
ฉลาก | ค่าความจริงหรือป้ายกำกับ |
---|---|
การคาดการณ์ | การทำนายค่าจะต้องอยู่ในช่วง [0 ถึง 1.] รวม |
ตัวอย่างน้ำหนัก | SampleWeights ที่เป็นตัวเลือกจะทำหน้าที่เป็นสัมประสิทธิ์การสูญเสีย หากมีการระบุสเกลาร์ การสูญเสียก็จะถูกปรับขนาดตามค่าที่กำหนด หาก SampleWeights เป็นเทนเซอร์ที่มีขนาด [batch_size] ค่าที่สูญเสียทั้งหมดสำหรับแต่ละตัวอย่างในแบตช์จะถูกปรับขนาดใหม่โดยองค์ประกอบที่เกี่ยวข้องในเวกเตอร์ SampleWeights หากรูปร่างของ SampleWeights คือ [batch_size, d0, .. dN-1] (หรือสามารถถ่ายทอดไปยังรูปร่างนี้ได้) องค์ประกอบที่สูญเสียไปแต่ละรายการของการคาดการณ์จะถูกปรับขนาดตามค่าที่สอดคล้องกันของ SampleWeights (หมายเหตุสำหรับ dN-1: ฟังก์ชันการสูญเสียทั้งหมดลดลง 1 มิติ โดยปกติจะเป็นแกน=-1) |
การส่งคืน
- การสูญเสีย
ขว้าง
ข้อยกเว้นอาร์กิวเมนต์ที่ผิดกฎหมาย | หากคำทำนายอยู่นอกช่วง [0.-1.] |
---|