Losses

Perdas de classe pública

Funções de perda integradas.

Constantes

interno CANAIS_FIRST
interno CANAIS_ÚLTIMOS
flutuador ÉPSILON Fator Fuzz padrão.

Construtores Públicos

Perdas ()

Métodos Públicos

estático <T estende TNumber > Operando <T>
binárioCrossentropy (Ops tf, Operando <? estende TNumber > rótulos, previsões de Operando <T>, booleano fromLogits, rótulo flutuante Suavização)
Calcula a perda binária de entropia cruzada entre rótulos e previsões.
estático <T estende TNumber > Operando <T>
categoricalCrossentropy (Ops tf, operando <? estende TNumber > rótulos, previsões de operando <T>, booleano fromLogits, float labelSmoothing, eixo int)
Calcula a perda de entropia cruzada categórica entre rótulos e previsões.
estático <T estende TNumber > Operando <T>
categoricalHinge (Ops tf, operando <? estende TNumber > rótulos, previsões de operando <T>)
Calcula a perda de dobradiça categórica entre rótulos e previsões.
estático <T estende TNumber > Operando <T>
cosineSimilarity (Ops tf, operando <? estende TNumber > rótulos, previsões de operando <T>, eixo int[])
Calcula a perda de similaridade de cosseno entre rótulos e previsões.
estático <T estende TNumber > Operando <T>
dobradiça (Ops tf, operando <? estende TNumber > rótulos, previsões de operando <T>)
Calcula a perda de dobradiça entre rótulos e previsões

loss = reduceMean(maximum(1 - labels * predictions, 0))

estático <T estende TNumber > Operando <T>
huber (Ops tf, operando <? estende TNumber > rótulos, previsões de operando <T>, delta flutuante)
Calcula a perda de Huber entre rótulos e previsões.
estático <T estende TNumber > Operando <T>
kullbackLeiblerDivergence (Ops tf, operando <? estende TNumber > rótulos, previsões de operando <T>)
Calcula a perda de divergência de Kullback-Leibler entre rótulos e previsões.
estático <T estende TNumber > Operando <T>
l2Normalize (Ops tf, Operando <T> x, eixo int[])
Normaliza ao longo do eixo da dimensão usando uma norma L2.
estático <T estende TNumber > Operando <T>
logCosh (Ops tf, operando <? estende TNumber > rótulos, previsões de operando <T>)
Calcula a perda de cosseno hiperbólico entre rótulos e previsões.
estático <T estende TNumber > Operando <T>
meanAbsoluteError (Ops tf, operando <? estende TNumber > rótulos, previsões de operando <T>)
Calcula o erro médio absoluto entre rótulos e previsões.
estático <T estende TNumber > Operando <T>
meanAbsolutePercentageError (Ops tf, operando <? estende TNumber > rótulos, previsões de operando <T>)
Calcula o erro percentual médio absoluto entre rótulos e previsões.
estático <T estende TNumber > Operando <T>
meanSquaredError (Ops tf, operando <? estende TNumber > rótulos, previsões de operando <T>)
Calcula o erro quadrático médio entre rótulos e previsões.
estático <T estende TNumber > Operando <T>
meanSquaredLogarithmicError (Ops tf, operando <? estende TNumber > rótulos, previsões de operando <T>)
Calcula o erro logarítmico quadrático médio entre rótulos e previsões.
estático <T estende TNumber > Operando <T>
poisson (Ops tf, operando <? estende TNumber > rótulos, previsões de operando <T>)
Calcula a perda de Poisson entre rótulos e previsões.
estático <T estende TNumber > Operando <T>
sparseCategoricalCrossentropy (Ops tf, Operando <? estende TNumber > rótulos, previsões de Operando <T>, booleano fromLogits, eixo int)
Calcula a perda de entropia cruzada categórica esparsa entre rótulos e previsões.
estático <T estende TNumber > Operando <T>
squaredHinge (Ops tf, operando <? estende TNumber > rótulos, previsões de operando <T>)
Calcula a perda de dobradiça quadrada entre rótulos e previsões.

Métodos herdados

Constantes

público estático final int CHANNELS_FIRST

Valor Constante: 1

público estático final int CHANNELS_LAST

Valor Constante: -1

flutuador final estático público EPSILON

Fator Fuzz padrão.

Valor constante: 1,0E-7

Construtores Públicos

Perdas públicas ()

Métodos Públicos

operando estático público <T> binárioCrossentropy (Ops tf, operando <? estende TNumber > rótulos, previsões de operando <T>, booleano fromLogits, rótulo flutuante Suavização)

Calcula a perda binária de entropia cruzada entre rótulos e previsões.

Parâmetros
TF as operações do TensorFlow
rótulos alvos verdadeiros
previsões as previsões
deLogits Se deve interpretar as previsões como um tensor de valores logit
etiqueta Suavização Um número no intervalo [0, 1]. Quando 0, nenhuma suavização ocorre. Quando > 0, calcule a perda entre os rótulos previstos e uma versão suavizada dos rótulos verdadeiros, onde a suavização comprime os rótulos em direção a 0,5. Valores maiores de labelSmoothing correspondem a uma suavização mais pesada.
Devoluções
  • a perda de entropia cruzada binária.

operando estático público <T> categóricoCrossentropy (Ops tf, operando <? estende TNumber > rótulos, previsões de operando <T>, booleano fromLogits, rótulo flutuante Suavização, eixo int)

Calcula a perda de entropia cruzada categórica entre rótulos e previsões.

Parâmetros
TF as operações do TensorFlow
rótulos alvos verdadeiros
previsões as previsões
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
eixo o
Devoluções
  • a perda de entropia cruzada categórica.

operando estático público <T> categoricalHinge (Ops tf, operando <? estende TNumber > rótulos, previsões do operando <T>)

Calcula a perda de dobradiça categórica entre rótulos e previsões.

Parâmetros
TF as operações do TensorFlow
rótulos alvos verdadeiros, espera-se que os valores sejam 0 ou 1.
previsões as previsões
Devoluções
  • a perda de dobradiça categórica

operando estático público <T> cossenoSimilaridade (Ops tf, operando <? estende TNumber > rótulos, previsões de operando <T>, eixo int[])

Calcula a perda de similaridade de cosseno entre rótulos e previsões.

Observe que é um número entre -1 e 1 , o que é diferente da definição matemática de similaridade de cossenos, onde 1 representa vetores semelhantes e 0 representa vetores diferentes. Nesta função, os números são invertidos no intervalo de -1 a 1 . Quando é um número negativo entre -1 e 0 , 0 indica ortogonalidade e valores mais próximos de -1 indicam maior similaridade. Os valores mais próximos de 1 indicam maior dissimilaridade. Isso a torna utilizável como uma função de perda em um ambiente onde você tenta maximizar a proximidade entre previsões e alvos. Se os rótulos ou as previsões forem um vetor zero, a similaridade do cosseno será 0 , independentemente da proximidade entre as previsões e os alvos.

loss = -sum(l2Norm(labels) * l2Norm(predictions))

Parâmetros
TF as operações do TensorFlow
rótulos alvos verdadeiros
previsões as previsões
eixo Eixo ao longo do qual determinar a similaridade.
Devoluções
  • a perda de similaridade de cosseno

dobradiça pública estática do operando <T> (Ops tf, operando <? estende TNumber > rótulos, previsões do operando <T>)

Calcula a perda de dobradiça entre rótulos e previsões

loss = reduceMean(maximum(1 - labels * predictions, 0))

Parâmetros
TF as operações do TensorFlow
rótulos alvos verdadeiros, espera-se que os valores sejam -1 ou 1. Se rótulos binários (0 ou 1) forem fornecidos, eles serão convertidos para -1 ou 1.
previsões as previsões
Devoluções
  • a perda da dobradiça

operando estático público <T> huber (Ops tf, operando <? estende TNumber > rótulos, previsões de operando <T>, delta flutuante)

Calcula a perda de Huber entre rótulos e previsões.

Para cada valor x em erro = rótulos - previsões: 

     loss = 0.5 * x^2                  if |x| <= d
     loss = 0.5 * d^2 + d * (|x| - d)  if |x| > d

onde d é delta.

Parâmetros
TF as operações do TensorFlow
rótulos alvos verdadeiros
previsões as previsões
delta o ponto onde a função de perda de Huber muda de quadrática para linear.
Devoluções
  • a perda de Huber

operando estático público <T> kullbackLeiblerDivergence (Ops tf, operando <? estende TNumber > rótulos, previsões do operando <T>)

Calcula a perda de divergência de Kullback-Leibler entre rótulos e previsões.

Parâmetros
TF as operações do TensorFlow
rótulos alvos verdadeiros
previsões as previsões
Devoluções
  • a perda de divergência Kullback-Leibler
Veja também

Operando estático público <T> l2Normalize (Ops tf, Operando <T> x, eixo int[])

Normaliza ao longo do eixo da dimensão usando uma norma L2.

Parâmetros
TF As operações do TensorFlow
x a entrada
eixo Dimensão ao longo da qual normalizar.
Devoluções
  • os valores normalizados com base na norma L2

operando estático público <T> logCosh (Ops tf, operando <? estende TNumber > rótulos, previsões de operando <T>)

Calcula a perda de cosseno hiperbólico entre rótulos e previsões.

log(cosh(x)) é aproximadamente igual a (x ** 2) / 2 para x pequeno e a abs(x) - log(2) para x grande. Isso significa que 'logCosh' funciona principalmente como o erro quadrático médio, mas não será tão fortemente afetado por previsões ocasionais totalmente incorretas.

Parâmetros
TF as operações do TensorFlow
rótulos alvos verdadeiros
previsões as previsões
Devoluções
  • a perda de divergência de cosseno hiperbólico

operando estático público <T> meanAbsoluteError (Ops tf, operando <? estende TNumber > rótulos, previsões do operando <T>)

Calcula o erro médio absoluto entre rótulos e previsões.

loss = reduceMean(abs(labels - predictions))

Parâmetros
TF As operações do TensorFlow
rótulos os rótulos
previsões as previsões
Devoluções
  • o erro médio absoluto

operando estático público <T> meanAbsolutePercentageError (Ops tf, operando <? estende TNumber > rótulos, previsões do operando <T>)

Calcula o erro percentual médio absoluto entre rótulos e previsões.

loss = 100 * reduceMean(abs((labels - predictions) / labels))

Parâmetros
TF As operações do TensorFlow
rótulos os rótulos
previsões as previsões
Devoluções
  • o erro percentual absoluto médio

operando estático público <T> meanSquaredError (Ops tf, operando <? estende TNumber > rótulos, previsões do operando <T>)

Calcula o erro quadrático médio entre rótulos e previsões.

loss = reduceMean(square(labels - predictions))

Parâmetros
TF As operações do TensorFlow
rótulos os rótulos
previsões as previsões
Devoluções
  • o erro quadrático médio

operando estático público <T> meanSquaredLogarithmicError (Ops tf, operando <? estende TNumber > rótulos, previsões do operando <T>)

Calcula o erro logarítmico quadrático médio entre rótulos e previsões.

loss = reduceMean(square(log(labels + 1) - log(predictions + 1)))

Parâmetros
TF As operações do TensorFlow
rótulos os rótulos
previsões as previsões
Devoluções
  • o erro percentual logarítmico médio quadrático

operando estático público <T> poisson (Ops tf, operando <? estende TNumber > rótulos, previsões de operando <T>)

Calcula a perda de Poisson entre rótulos e previsões.

A perda de Poisson é a média dos elementos das predictions - labels * log(predictions) .

Parâmetros
TF as operações do TensorFlow
rótulos alvos verdadeiros
previsões as previsões
Devoluções
  • a perda de Poisson

operando estático público <T> sparseCategoricalCrossentropy (Ops tf, operando <? estende TNumber > rótulos, previsões de operando <T>, booleano fromLogits, eixo int)

Calcula a perda de entropia cruzada categórica esparsa entre rótulos e previsões.

Parâmetros
TF as operações do TensorFlow
rótulos alvos verdadeiros
previsões as previsões
deLogits Se se espera que as previsões sejam logits. Por padrão, presume-se que as previsões codificam uma distribuição de probabilidade.
eixo A dimensão ao longo da qual a entropia é calculada.
Devoluções
  • a escassa perda de entropia cruzada categórica

operando estático público <T> squaredHinge (Ops tf, operando <? estende TNumber > rótulos, previsões de operando <T>)

Calcula a perda de dobradiça quadrada entre rótulos e previsões.

loss = reduceMean(square(maximum(1 - labels * predictions, 0)))

Parâmetros
TF as operações do TensorFlow
rótulos alvos verdadeiros, espera-se que os valores sejam -1 ou 1. Se os rótulos binários (0 ou 1) forem * fornecidos, eles serão convertidos para -1 ou 1.
previsões as previsões
Devoluções
  • a perda de dobradiça quadrada