CategoricalCrossentropy

genel sınıf KategorikÇapraztropi

Etiketler ve tahminler arasındaki çapraz entropi kaybını hesaplar.

İki veya daha fazla etiket sınıfı olduğunda bu çapraz entropi kaybı fonksiyonunu kullanın. Etiketlerin one_hot gösteriminde sağlanmasını bekliyoruz. Etiketleri tamsayı olarak sağlamak istiyorsanız lütfen SparseCategoricalCrossentropy kaybını kullanın. Özellik başına # classes kayan nokta değeri olmalıdır.

Bağımsız kullanım:

    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

Numune ağırlığıyla arama:

    Operand<TFloat32> sampleWeight = tf.constant(new float[] {0.3f, 0.7f});
    Operand<TFloat32> result = cce.call(labels, predictions, sampleWeight);
    // produces 0.814f

SUM azaltma türünü kullanma:

    CategoricalCrossentropy cce = new CategoricalCrossentropy(tf, Reduction.SUM);
    Operand<TFloat32> result = cce.call(labels, predictions);
    // produces 2.354f

NONE azaltma türünü kullanma:

    CategoricalCrossentropy cce =
        new CategoricalCrossentropy(tf, Reduction.NONE);
    Operand<TFloat32> result = cce.call(labels, predictions);
    // produces [0.0513f, 2.303f]

Sabitler

int DEFAULT_AXIS
boolean FROM_LOGITS_DEFAULT
batmadan yüzmek LABEL_SMOOTHING_DEFAULT

Devralınan Alanlar

Kamu İnşaatçıları

Kategorik Çapraztropi (Ops tf)
Kayıp adı olarak getSimpleName() , fromLogits için FROM_LOGITS_DEFAULT , labelSmoothing için LABEL_SMOOTHING_DEFAULT , REDUCTION_DEFAULT Kayıp Azaltma ve DEFAULT_AXIS eksenini kullanarak kategorik bir çapraz entropi Kaybı oluşturur
KategorikÇapraztropi (Ops tf, Dize adı)
fromLogits için FROM_LOGITS_DEFAULT , labelSmoothing için LABEL_SMOOTHING_DEFAULT , REDUCTION_DEFAULT Kayıp Azaltma ve DEFAULT_AXIS eksenini kullanarak kategorik bir çapraz entropi Kaybı oluşturur
Kategorik Çapraztropi (Ops tf, İndirgeme azaltma)
Kayıp adı olarak getSimpleName() , fromLogits için FROM_LOGITS_DEFAULT , labelSmoothing için LABEL_SMOOTHING_DEFAULT ve DEFAULT_AXIS eksenini kullanarak kategorik bir çapraz entropi Kaybı oluşturur
KategorikÇapraztropi (Ops tf, Dize adı, Azaltma azaltma)
fromLogits için kategorik bir çapraz entropi Kaybı FROM_LOGITS_DEFAULT , labelSmoothing için LABEL_SMOOTHING_DEFAULT ve DEFAULT_AXIS ekseni oluşturur
Kategorik Çapraztropi (Ops tf, Logits'ten boolean)
Kayıp adı olarak getSimpleName() , labelSmoothing için LABEL_SMOOTHING_DEFAULT , REDUCTION_DEFAULT Kayıp Azaltma ve DEFAULT_AXIS eksenini kullanarak kategorik bir çapraz entropi Kaybı oluşturur
Kategorik Çapraztropi (Ops tf, Dize adı, mantıksal fromLogits)
LabelSmoothing için LABEL_SMOOTHING_DEFAULT , REDUCTION_DEFAULT Kayıp Azaltma ve DEFAULT_AXIS kanal eksenini kullanarak kategorik bir çapraz entropi Kaybı oluşturur
Kategorik Çapraztropi (Ops tf, Logit'lerden boolean, kayan etiket Düzgünleştirme)
Kayıp adı olarak getSimpleName() i, REDUCTION_DEFAULT Kayıp Azaltma'sını ve DEFAULT_AXIS kanal eksenini kullanarak kategorik bir çapraz entropi Kaybı oluşturur
KategorikÇapraztropi (Ops tf, Dize adı, Logitlerden boolean, kayan etiketDüzleştirme)
REDUCTION_DEFAULT Kayıp Azaltma değerini ve DEFAULT_AXIS kanal eksenini kullanarak kategorik bir çapraz entropi Kaybı oluşturur
Kategorik Çaprazlama (Ops tf, Logitlerden boolean, kayan etiket Düzgünleştirme, Azaltma azaltma)
Kayıp adı olarak getSimpleName() ve DEFAULT_AXIS kanal eksenini kullanarak kategorik bir çapraz entropi Kaybı oluşturur
Kategorik Çapraztropi (Ops tf, Dize adı, mantıksal fromLogits, kayan etiket Düzgünleştirme, Azaltma azaltma, int ekseni)
Kategorik bir çapraz entropi kaybı yaratır

Genel Yöntemler

<T TNumber'ı genişletir > İşlenen <T>
çağrı ( İşlenen <? extends TNumber > etiketleri, İşlenen <T> tahminleri, İşlenen <T> örnekAğırlıkları)
Kaybı hesaplayan bir İşlenen üretir.

Kalıtsal Yöntemler

Sabitler

genel statik final int DEFAULT_AXIS

Sabit Değer: -1

genel statik son boolean FROM_LOGITS_DEFAULT

Sabit Değer: yanlış

genel statik son kayan nokta LABEL_SMOOTHING_DEFAULT

Sabit Değer: 0,0

Kamu İnşaatçıları

herkese açık Kategorik Çapraztropi (Ops tf)

Kayıp adı olarak getSimpleName() , fromLogits için FROM_LOGITS_DEFAULT , labelSmoothing için LABEL_SMOOTHING_DEFAULT , REDUCTION_DEFAULT Kayıp Azaltma ve DEFAULT_AXIS eksenini kullanarak kategorik bir çapraz entropi Kaybı oluşturur

Parametreler
TF TensorFlow Operasyonları

public KategorikÇapraztropi (Ops tf, Dize adı)

fromLogits için FROM_LOGITS_DEFAULT , labelSmoothing için LABEL_SMOOTHING_DEFAULT , REDUCTION_DEFAULT Kayıp Azaltma ve DEFAULT_AXIS eksenini kullanarak kategorik bir çapraz entropi Kaybı oluşturur

Parametreler
TF TensorFlow Operasyonları
isim bu kaybın adı

genel Kategorik Çapraztropi (Ops tf, Azaltma azaltma)

Kayıp adı olarak getSimpleName() , fromLogits için FROM_LOGITS_DEFAULT , labelSmoothing için LABEL_SMOOTHING_DEFAULT ve DEFAULT_AXIS eksenini kullanarak kategorik bir çapraz entropi Kaybı oluşturur

Parametreler
TF TensorFlow Operasyonları
kesinti Zarara uygulanacak İndirim Türü.

public CategoricalCrossentropy (Ops tf, Dize adı, Azaltma azaltma)

fromLogits için kategorik bir çapraz entropi Kaybı FROM_LOGITS_DEFAULT , labelSmoothing için LABEL_SMOOTHING_DEFAULT ve DEFAULT_AXIS eksenini oluşturur

Parametreler
TF TensorFlow Operasyonları
isim bu kaybın adı
kesinti Zarara uygulanacak İndirim Türü.

genel Kategorik Çapraztropi (Ops tf, Logits'ten boolean)

Kayıp adı olarak getSimpleName() , labelSmoothing için LABEL_SMOOTHING_DEFAULT , REDUCTION_DEFAULT Kayıp Azaltma ve DEFAULT_AXIS eksenini kullanarak kategorik bir çapraz entropi Kaybı oluşturur

Parametreler
TF TensorFlow Operasyonları
itibarenLogits Tahminlerin logit değerlerinin tensörü olarak yorumlanıp yorumlanmayacağı

genel Kategorik Çaprazlama (Ops tf, Dize adı, mantıksal fromLogits)

LabelSmoothing için LABEL_SMOOTHING_DEFAULT , REDUCTION_DEFAULT Kayıp Azaltma ve DEFAULT_AXIS kanal eksenini kullanarak kategorik bir çapraz entropi Kaybı oluşturur

Parametreler
TF TensorFlow Operasyonları
isim bu kaybın adı
itibarenLogits Tahminlerin logit değerlerinin tensörü olarak yorumlanıp yorumlanmayacağı

genel Kategorik Çapraztropi (Ops tf, mantıksal fromLogits, kayan etiket Düzgünleştirme)

Kayıp adı olarak getSimpleName() i, REDUCTION_DEFAULT Kayıp Azaltma'sını ve DEFAULT_AXIS kanal eksenini kullanarak kategorik bir çapraz entropi Kaybı oluşturur

Parametreler
TF TensorFlow Operasyonları
itibarenLogits Tahminlerin logit değerlerinin tensörü olarak yorumlanıp yorumlanmayacağı
etiketDüzleştirme [0, 1] içinde kayan. > 0 olduğunda etiket değerleri yumuşatılır, bu da etiket değerlerine olan güvenin gevşediği anlamına gelir. örneğin labelSmoothing=0.2 etiket 0 için 0.1 ve etiket 1 için 0.9 değerini kullanacağımız anlamına gelir

genel Kategorik Çapraztropi (Ops tf, Dize adı, mantıksal fromLogits, kayan etiket Düzgünleştirme)

REDUCTION_DEFAULT Kayıp Azaltma değerini ve DEFAULT_AXIS kanal eksenini kullanarak kategorik bir çapraz entropi Kaybı oluşturur

Parametreler
TF TensorFlow Operasyonları
isim bu kaybın adı
fromLogits Tahminlerin logit değerlerinin tensörü olarak yorumlanıp yorumlanmayacağı
etiketDüzleştirme [0, 1] içinde kayan. > 0 olduğunda etiket değerleri yumuşatılır, bu da etiket değerlerine olan güvenin gevşediği anlamına gelir. örneğin labelSmoothing=0.2 etiket 0 için 0.1 ve etiket 1 için 0.9 değerini kullanacağımız anlamına gelir

genel Kategorik Çapraztropi (Ops tf, Logitlerden boolean, kayan etiket Düzgünleştirme, Azaltma azaltma)

Kayıp adı olarak getSimpleName() ve DEFAULT_AXIS kanal eksenini kullanarak kategorik bir çapraz entropi Kaybı oluşturur

Parametreler
TF TensorFlow Operasyonları
itibarenLogits Tahminlerin logit değerlerinin tensörü olarak yorumlanıp yorumlanmayacağı
etiketDüzleştirme [0, 1] içinde kayan. > 0 olduğunda etiket değerleri yumuşatılır, bu da etiket değerlerine olan güvenin gevşediği anlamına gelir. örneğin x=0.2 etiket 0 için 0.1 ve etiket 1 için 0.9 değerini kullanacağımız anlamına gelir
kesinti Zarara uygulanacak İndirim Türü.

genel Kategorik Çapraztropi (Ops tf, Dize adı, boolean fromLogits, kayan etiket Düzgünleştirme, Azaltma azaltma, int ekseni)

Kategorik bir çapraz entropi kaybı yaratır

Parametreler
TF TensorFlow Operasyonları
isim bu kaybın adı
itibarenLogits Tahminlerin logit değerlerinin tensörü olarak yorumlanıp yorumlanmayacağı
etiketDüzleştirme [0, 1] içinde kayan. > 0 olduğunda etiket değerleri yumuşatılır, bu da etiket değerlerine olan güvenin gevşediği anlamına gelir. örneğin labelSmoothing=0.2 etiket 0 için 0.1 ve etiket 1 için 0.9 değerini kullanacağımız anlamına gelir
kesinti Zarara uygulanacak İndirim Türü.
eksen Kanal ekseni. axis=-1 "Son Kanallar" veri formatına karşılık gelir ve axis=1 "İlk Kanallar" veri formatına karşılık gelir. CHANNELS_LAST ve CHANNELS_FIRST
Atar
YasadışıTartışmaİstisna labelSmoothing 0 - 1 aralığında değilse.

Genel Yöntemler

genel İşlenen <T> çağrısı ( İşlenen <? extends TNumber > etiketleri, İşlenen <T> tahminleri, İşlenen <T> örnek Ağırlıkları)

Kaybı hesaplayan bir İşlenen üretir.

Grafik modunda çalıştırılırsa, tahmin değerleri o [0.0] aralığının dışındaysa hesaplama TFInvalidArgumentException oluşturacaktır. 1'e.] İstekli Modunda, IllegalArgumentException tahmin değerleri o [0. 1'e.]

Parametreler
etiketler doğruluk değerleri veya etiketleri
tahminler Tahminler için değerler [0.0 aralığında olmalıdır. 1'e kadar.] dahil.
örnekAğırlıklar İsteğe bağlı SampleWeights, kayıp için bir katsayı görevi görür. Bir skaler sağlanırsa, kayıp verilen değere göre ölçeklendirilir. SampleWeights, [batch_size] boyutunda bir tensör ise, o zaman grubun her numunesi için toplam kayıp, SampleWeights vektöründeki karşılık gelen öğe tarafından yeniden ölçeklendirilir. SampleWeights'ın şekli [batch_size, d0, .. dN-1] ise (veya bu şekle yayınlanabiliyorsa), o zaman tahminlerin her kayıp öğesi, karşılık gelen SampleWeights değerine göre ölçeklenir. (DN-1 ile ilgili not: tüm kayıp fonksiyonları 1 boyut azalır, genellikle eksen=-1 olur.)
İade
  • kayıp
Atar
YasadışıTartışmaİstisna tahminler [0.-1.] aralığının dışındaysa.