Funciones de pérdida integradas.
Constantes
En t | CANALES_FIRST | |
En t | CHANNELS_LAST | |
flotador | EPSILON | Factor de fuzz predeterminado. |
Constructores públicos
Pérdidas () |
Métodos públicos
estática <T se extiende TNumber > Operando <T> | binaryCrossentropy (Ops tf, etiquetas de operando <? extiende TNumber >, predicciones de operando <T>, booleano fromLogits, suavizado de etiquetas flotantes) Calcula la pérdida de entropía cruzada binaria entre etiquetas y predicciones. |
estática <T se extiende TNumber > Operando <T> | categóricoCrossentropy (Ops tf, operando <? extiende TNumber > etiquetas, operando <T> predicciones, booleano fromLogits, float labelSmoothing, int eje) Calcula la pérdida de entropía cruzada categórica entre etiquetas y predicciones. |
estática <T se extiende TNumber > Operando <T> | categoricalHinge (Ops tf, operando <? extiende TNumber > etiquetas, operando <T> predicciones) Calcula la pérdida de bisagra categórica entre etiquetas y predicciones. |
estática <T se extiende TNumber > Operando <T> | cosineSimilarity (Ops tf, etiquetas de operando <? extiende TNumber >, predicciones de operando <T>, eje int []) Calcula la pérdida de similitud de coseno entre etiquetas y predicciones. |
estática <T se extiende TNumber > Operando <T> | |
estática <T se extiende TNumber > Operando <T> | |
estática <T se extiende TNumber > Operando <T> | kullbackLeiblerDivergence (Ops tf, etiquetas de operando <? extiende TNumber >, predicciones de operando <T>) Calcula la pérdida de divergencia de Kullback-Leibler entre etiquetas y predicciones. |
estática <T se extiende TNumber > Operando <T> | l2Normalize (Ops tf, Operand <T> x, eje int []) Normaliza a lo largo del eje de dimensión utilizando una norma L2. |
estática <T se extiende TNumber > Operando <T> | |
estática <T se extiende TNumber > Operando <T> | meanAbsoluteError (Ops tf, Operand <? extiende TNumber > etiquetas, Operand <T> predicciones) Calcula el error absoluto medio entre etiquetas y predicciones. |
estática <T se extiende TNumber > Operando <T> | meanAbsolutePercentageError (Ops tf, etiquetas de operando <? extiende TNumber >, predicciones de operando <T>) Calcula el error porcentual absoluto medio entre etiquetas y predicciones. |
estática <T se extiende TNumber > Operando <T> | meanSquaredError (Ops tf, etiquetas de operando <? extiende TNumber >, predicciones de operando <T>) Calcula el error cuadrático medio entre etiquetas y predicciones. |
estática <T se extiende TNumber > Operando <T> | meanSquaredLogarithmicError (Ops tf, etiquetas de operando <? extiende TNumber >, predicciones de operando <T>) Calcula el error logarítmico cuadrático medio entre etiquetas y predicciones. |
estática <T se extiende TNumber > Operando <T> | |
estática <T se extiende TNumber > Operando <T> | sparseCategoricalCrossentropy (Ops tf, operando <? extiende TNumber > etiquetas, predicciones de operando <T>, booleano fromLogits, eje int) Calcula la pérdida de entropía cruzada categórica dispersa entre etiquetas y predicciones. |
estática <T se extiende TNumber > Operando <T> | squaredHinge (Ops tf, etiquetas de operando <? extiende TNumber >, predicciones de operando <T>) Calcula la pérdida de bisagra al cuadrado entre etiquetas y predicciones. |
Métodos heredados
Constantes
public static final int CHANNELS_FIRST
public static final int CHANNELS_LAST
flotador final estático público EPSILON
Factor de fuzz predeterminado.
Constructores públicos
Pérdidas públicas ()
Métodos públicos
public static operando <T> binaryCrossentropy (OPS tf, operando <? extiende TNumber > etiquetas, operando <T> predicciones, fromLogits booleanos, flotador labelSmoothing)
Calcula la pérdida de entropía cruzada binaria entre etiquetas y predicciones.
Parámetros
tf | las operaciones de TensorFlow |
---|---|
etiquetas | verdaderos objetivos |
predicciones | las predicciones |
deLogits | Ya sea para interpretar las predicciones como un tensor de valores logit |
labelSmoothing | Un número en el rango [0, 1]. Cuando es 0, no se produce ningún suavizado. Cuando> 0, calcule la pérdida entre las etiquetas predichas y una versión suavizada de las etiquetas verdaderas, donde el suavizado aprieta las etiquetas hacia 0.5. Los valores más altos de labelSmoothing corresponden a un suavizado más intenso. |
Devoluciones
- la pérdida de entropía cruzada binaria.
public static Operando <T> categoricalCrossentropy (PO tf, operando <? extiende TNumber > etiquetas, operando <T> predicciones, fromLogits booleanos, flotador labelSmoothing, eje int)
Calcula la pérdida de entropía cruzada categórica entre etiquetas y predicciones.
Parámetros
tf | las operaciones de TensorFlow |
---|---|
etiquetas | verdaderos objetivos |
predicciones | las predicciones |
deLogits | Ya sea para interpretar las predicciones como un tensor de valores logit |
labelSmoothing | Flotar en [0, 1] . Cuando > 0 , los valores de la etiqueta se suavizan, lo que significa que la confianza en los valores de la etiqueta se relaja. por ejemplo, labelSmoothing=0.2 significa que usaremos un valor de 0.1 para la etiqueta 0 y 0.9 para la etiqueta 1 |
eje | la |
Devoluciones
- la pérdida de entropía cruzada categórica.
operando estático público <T> categoricalHinge (Ops tf, etiquetas de operando <? extiende TNumber >, predicciones de operando <T>)
Calcula la pérdida de bisagra categórica entre etiquetas y predicciones.
Parámetros
tf | las operaciones de TensorFlow |
---|---|
etiquetas | verdaderos objetivos, se espera que los valores sean 0 o 1. |
predicciones | las predicciones |
Devoluciones
- la categórica pérdida de bisagra
public static Operand <T> cosineSimilarity (Ops tf, Operand <? extiende TNumber > etiquetas, Operand <T> predicciones, int [] axis)
Calcula la pérdida de similitud de coseno entre etiquetas y predicciones.
Tenga en cuenta que es un número entre -1
y 1
, que es diferente de la definición matemática de similitud de coseno donde 1
representa vectores similares y 0
representa vectores diferentes. En esta función, los números se invierten en un rango de -1
a 1
. Cuando es un número negativo entre -1
y 0
, 0
indica ortogonalidad y valores más cercanos a -1
indican mayor similitud. Los valores más cercanos a 1
indican una mayor disimilitud. Esto lo hace utilizable como una función de pérdida en un entorno en el que intenta maximizar la proximidad entre las predicciones y los objetivos. Si las etiquetas o las predicciones son un vector cero, la similitud del coseno será 0
independientemente de la proximidad entre las predicciones y los objetivos.
loss = -sum(l2Norm(labels) * l2Norm(predictions))
Parámetros
tf | las operaciones de TensorFlow |
---|---|
etiquetas | verdaderos objetivos |
predicciones | las predicciones |
eje | Eje a lo largo del cual determinar similitud. |
Devoluciones
- la pérdida de similitud del coseno
bisagra pública estática del operando <T> (Ops tf, etiquetas del operando <? extiende TNumber >, predicciones del operando <T>)
Calcula la pérdida de bisagra entre etiquetas y predicciones
loss = reduceMean(maximum(1 - labels * predictions, 0))
Parámetros
tf | las operaciones de TensorFlow |
---|---|
etiquetas | objetivos verdaderos, se espera que los valores sean -1 o 1. Si se proporcionan etiquetas binarias (0 o 1), se convertirán en -1 o 1. |
predicciones | las predicciones |
Devoluciones
- la perdida de la bisagra
public static operando <T> Huber (OPS tf, operando <? extiende TNumber > etiquetas, operando <T> predicciones, flotador delta)
Calcula la pérdida de Huber entre etiquetas y predicciones.
Para cada valor x en error = etiquetas - predicciones:
loss = 0.5 * x^2 if |x| <= d loss = 0.5 * d^2 + d * (|x| - d) if |x| > d
donde d es delta.
Parámetros
tf | las operaciones de TensorFlow |
---|---|
etiquetas | verdaderos objetivos |
predicciones | las predicciones |
delta | el punto donde la función de pérdida de Huber cambia de cuadrática a lineal. |
Devoluciones
- la pérdida de Huber
operando estático público <T> kullbackLeiblerDivergence (Ops tf, etiquetas de operando <? extiende TNumber >, predicciones de operando <T>)
Calcula la pérdida de divergencia de Kullback-Leibler entre etiquetas y predicciones.
Parámetros
tf | las operaciones de TensorFlow |
---|---|
etiquetas | verdaderos objetivos |
predicciones | las predicciones |
Devoluciones
- la pérdida de divergencia de Kullback-Leibler
Ver también
operando estático público <T> l2Normalize (Ops tf, operando <T> x, eje int [])
Normaliza a lo largo del eje de dimensión utilizando una norma L2.
Parámetros
tf | Las operaciones de TensorFlow |
---|---|
X | la entrada |
eje | Dimensión a lo largo de la cual normalizar. |
Devoluciones
- los valores normalizados basados en la norma L2
operando estático público <T> logCosh (Ops tf, etiquetas de operando <? extiende TNumber >, predicciones de operando <T>)
Calcula la pérdida de coseno hiperbólico entre etiquetas y predicciones.
log(cosh(x))
es aproximadamente igual a (x ** 2) / 2
para x
pequeña y abs(x) - log(2)
para x
grande. Esto significa que 'logCosh' funciona principalmente como el error cuadrático medio, pero no se verá tan afectado por la ocasional predicción extremadamente incorrecta.
Parámetros
tf | las operaciones de TensorFlow |
---|---|
etiquetas | verdaderos objetivos |
predicciones | las predicciones |
Devoluciones
- la pérdida de divergencia del coseno hiperbólico
operando estático público <T> meanAbsoluteError (Ops tf, operando <? extiende TNumber > etiquetas, predicciones de operando <T>)
Calcula el error absoluto medio entre etiquetas y predicciones.
loss = reduceMean(abs(labels - predictions))
Parámetros
tf | Las operaciones de TensorFlow |
---|---|
etiquetas | las etiquetas |
predicciones | las predicciones |
Devoluciones
- el error absoluto medio
public static Operand <T> meanAbsolutePercentageError (Ops tf, Operand <? extiende TNumber > etiquetas, Operand <T> predicciones)
Calcula el error porcentual absoluto medio entre etiquetas y predicciones.
loss = 100 * reduceMean(abs((labels - predictions) / labels))
Parámetros
tf | Las operaciones de TensorFlow |
---|---|
etiquetas | las etiquetas |
predicciones | las predicciones |
Devoluciones
- el error porcentual absoluto medio
operando estático público <T> meanSquaredError (Ops tf, etiquetas de operando <? extiende TNumber >, predicciones de operando <T>)
Calcula el error cuadrático medio entre etiquetas y predicciones.
loss = reduceMean(square(labels - predictions))
Parámetros
tf | Las operaciones de TensorFlow |
---|---|
etiquetas | las etiquetas |
predicciones | las predicciones |
Devoluciones
- el error cuadrático medio
operando estático público <T> meanSquaredLogarithmicError (Ops tf, etiquetas de operando <? extiende TNumber >, predicciones de operando <T>)
Calcula el error logarítmico cuadrático medio entre etiquetas y predicciones.
loss = reduceMean(square(log(labels + 1) - log(predictions + 1)))
Parámetros
tf | Las operaciones de TensorFlow |
---|---|
etiquetas | las etiquetas |
predicciones | las predicciones |
Devoluciones
- el error porcentual logarítmico cuadrático medio
operando estático público <T> poisson (Ops tf, etiquetas de operando <? extiende TNumber >, predicciones de operando <T>)
Calcula la pérdida de Poisson entre etiquetas y predicciones.
La pérdida de Poisson es la media de los elementos de las predictions - labels * log(predictions)
del tensor predictions - labels * log(predictions)
.
Parámetros
tf | las operaciones de TensorFlow |
---|---|
etiquetas | verdaderos objetivos |
predicciones | las predicciones |
Devoluciones
- la pérdida de Poisson
public static Operand <T> sparseCategoricalCrossentropy (Ops tf, Operand <? extiende TNumber > etiquetas, Operand <T> predicciones, booleano fromLogits, int eje)
Calcula la pérdida de entropía cruzada categórica dispersa entre etiquetas y predicciones.
Parámetros
tf | las operaciones de TensorFlow |
---|---|
etiquetas | verdaderos objetivos |
predicciones | las predicciones |
deLogits | Si se espera que las predicciones sean logits. De forma predeterminada, se supone que las predicciones codifican una distribución de probabilidad. |
eje | Dimensión a lo largo de la cual se calcula la entropía. |
Devoluciones
- la escasa pérdida de entropía cruzada categórica
operando estático público <T> squaredHinge (Ops tf, etiquetas de operando <? extiende TNumber >, predicciones de operando <T>)
Calcula la pérdida de bisagra al cuadrado entre etiquetas y predicciones.
loss = reduceMean(square(maximum(1 - labels * predictions, 0)))
Parámetros
tf | las operaciones de TensorFlow |
---|---|
etiquetas | objetivos verdaderos, se espera que los valores sean -1 o 1. Si se proporcionan etiquetas binarias (0 o 1) *, se convertirán a -1 o 1. |
predicciones | las predicciones |
Devoluciones
- la pérdida de bisagra cuadrada