TensorFlow 14 Mayıs'ta Google I/O'ya geri döndü! Şimdi üye Ol

Bu sayfa, Cloud Translation API ile çevrilmiştir.

Losses

kamu sınıfı Kayıpları

Yerleşik kayıp fonksiyonları.

Sabitler

int	CHANNELS_FIRST
int	CHANNELS_LAST
batmadan yüzmek	EPSİLON	Varsayılan Fuzz faktörü.

Kamu İnşaatçıları

Kayıplar ()

Genel Yöntemler

statik <T TNumber'ı genişletir > İşlenen <T>	BinaryCrossentropy (Ops tf, Operand <? extends TNumber > etiketleri, Operand <T> tahminleri, boolean fromLogits, float labelSmoothing) Etiketler ve tahminler arasındaki ikili çapraz entropi kaybını hesaplar.
statik <T TNumber'ı genişletir > İşlenen <T>	kategorikÇapraztropi (Ops tf, Operand <? extends TNumber > etiketleri, Operand <T> tahminleri, boolean fromLogits, float labelSmoothing, int axis) Etiketler ve tahminler arasındaki kategorik çapraz entropi kaybını hesaplar.
statik <T TNumber'ı genişletir > İşlenen <T>	categoricalHinge (Ops tf, İşlenen <? extends TNumber > etiketleri, İşlenen <T> tahminleri) Etiketler ve tahminler arasındaki kategorik menteşe kaybını hesaplar.
statik <T TNumber'ı genişletir > İşlenen <T>	cosineSimilarity (Ops tf, İşlenen <? extends TNumber > etiketleri, İşlenen <T> tahminleri, int[] ekseni) Etiketler ve tahminler arasındaki kosinüs benzerliği kaybını hesaplar.
statik <T TNumber'ı genişletir > İşlenen <T>	menteşe (Ops tf, İşlenen <? extends TNumber > etiketleri, İşlenen <T> tahminleri) Etiketler ve tahminler arasındaki menteşe kaybını hesaplar `loss = reduceMean(maximum(1 - labels * predictions, 0))`
statik <T TNumber'ı genişletir > İşlenen <T>	huber (Ops tf, İşlenen <? extends TNumber > etiketleri, İşlenen <T> tahminleri, kayan delta) Etiketler ve tahminler arasındaki Huber kaybını hesaplar.
statik <T TNumber'ı genişletir > İşlenen <T>	kullbackLeiblerDivergence (Ops tf, İşlenen <? extends TNumber > etiketleri, İşlenen <T> tahminleri) Etiketler ve tahminler arasındaki Kullback-Leibler sapma kaybını hesaplar.
statik <T TNumber'ı genişletir > İşlenen <T>	l2Normalleştir (Ops tf, İşlenen <T> x, int[] ekseni) L2 normunu kullanarak boyut ekseni boyunca normalleştirir.
statik <T TNumber'ı genişletir > İşlenen <T>	logCosh (Ops tf, İşlenen <? extends TNumber > etiketleri, İşlenen <T> tahminleri) Etiketler ve tahminler arasındaki hiperbolik kosinüs kaybını hesaplar.
statik <T TNumber'ı genişletir > İşlenen <T>	ortalamaAbsoluteError (Ops tf, İşlenen <? extends TNumber > etiketleri, İşlenen <T> tahminleri) Etiketler ve tahminler arasındaki ortalama mutlak hatayı hesaplar.
statik <T TNumber'ı genişletir > İşlenen <T>	ortalamaAbsolutePercentageError (Ops tf, İşlenen <? extends TNumber > etiketleri, İşlenen <T> tahminleri) Etiketler ve tahminler arasındaki ortalama mutlak yüzde hatasını hesaplar.
statik <T TNumber'ı genişletir > İşlenen <T>	ortalamaSquaredError (Ops tf, İşlenen <? extends TNumber > etiketleri, İşlenen <T> tahminleri) Etiketler ve tahminler arasındaki ortalama kare hatasını hesaplar.
statik <T TNumber'ı genişletir > İşlenen <T>	ortalamaSquaredLogarithmicError (Ops tf, İşlenen <? extends TNumber > etiketleri, İşlenen <T> tahminleri) Etiketler ve tahminler arasındaki ortalama kare logaritmik hatayı hesaplar.
statik <T TNumber'ı genişletir > İşlenen <T>	poisson (Ops tf, İşlenen <? extends TNumber > etiketleri, İşlenen <T> tahminleri) Etiketler ve tahminler arasındaki Poisson kaybını hesaplar.
statik <T TNumber'ı genişletir > İşlenen <T>	sparseCategoricalCrossentropy (Ops tf, İşlenen <? extends TNumber > etiketleri, İşlenen <T> tahminleri, boolean fromLogits, int ekseni) Etiketler ve tahminler arasındaki seyrek kategorik çapraz entropi kaybını hesaplar.
statik <T TNumber'ı genişletir > İşlenen <T>	squaredHinge (Ops tf, İşlenen <? extends TNumber > etiketleri, İşlenen <T> tahminleri) Etiketler ve tahminler arasındaki kare menteşe kaybını hesaplar.

Kalıtsal Yöntemler

Java.lang.Object sınıfından

boolean	eşittir (Nesne arg0)
son Sınıf<?>	getClass ()
int	hash kodu ()
son boşluk	bildir ()
son boşluk	tümünü bildir ()
Sicim	toString ()
son boşluk	bekle (uzun arg0, int arg1)
son boşluk	bekle (uzun arg0)
son boşluk	Beklemek ()

Sabitler

genel statik final int CHANNELS_FIRST

Sabit Değer: 1

genel statik final int CHANNELS_LAST

Sabit Değer: -1

genel statik son şamandıra EPSILON

Varsayılan Fuzz faktörü.

Sabit Değer: 1.0E-7

Kamu İnşaatçıları

Kamu Zararları ()

Genel Yöntemler

public static Operand <T> ikiliCrossentropy (Ops tf, Operand <? extends TNumber > etiketleri, Operand <T> tahminleri, boolean fromLogits, float labelSmoothing)

Etiketler ve tahminler arasındaki ikili çapraz entropi kaybını hesaplar.

Parametreler

TF	TensorFlow Operasyonları
etiketler	gerçek hedefler
tahminler	tahminler
itibarenLogits	Tahminlerin logit değerlerinin tensörü olarak yorumlanıp yorumlanmayacağı
etiketDüzleştirme	[0, 1] aralığında bir sayı. 0 olduğunda yumuşatma gerçekleşmez. > 0 olduğunda, tahmin edilen etiketler ile gerçek etiketlerin yumuşatılmış versiyonu arasındaki kaybı hesaplayın; burada yumuşatma etiketleri 0,5'e doğru sıkıştırır. Daha büyük labelSmoothing değerleri daha ağır düzgünleştirmeye karşılık gelir.

İadeler

ikili çapraz entropi kaybı.

public static Operand <T> kategorikCrossentropy (Ops tf, Operand <? extends TNumber > etiketleri, Operand <T> tahminleri, boolean fromLogits, float labelSmoothing, int axis)

Etiketler ve tahminler arasındaki kategorik çapraz entropi kaybını hesaplar.

Parametreler

TF	TensorFlow Operasyonları
etiketler	gerçek hedefler
tahminler	tahminler
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
eksen	the

İadeler

kategorik çapraz entropi kaybı.

public static İşlenen <T> kategorikHinge (Ops tf, İşlenen <? extends TNumber > etiketleri, İşlenen <T> tahminleri)

Etiketler ve tahminler arasındaki kategorik menteşe kaybını hesaplar.

Parametreler

TF	TensorFlow Operasyonları
etiketler	gerçek hedeflerde değerlerin 0 veya 1 olması beklenir.
tahminler	tahminler

İadeler

kategorik menteşe kaybı

public static Operand <T> cosineSimilarity (Ops tf, Operand <? extends TNumber > etiketleri, Operand <T> tahminleri, int[] ekseni)

Etiketler ve tahminler arasındaki kosinüs benzerliği kaybını hesaplar.

Bunun -1 ile 1 arasında bir sayı olduğunu ve bunun, 1 benzer vektörleri temsil ettiği ve 0 da benzer olmayan vektörleri temsil ettiği kosinüs benzerliğinin matematiksel tanımından farklı olduğunu unutmayın. Bu fonksiyonda sayılar -1 ila 1 aralığında tersine çevrilir. -1 ile 0 arasında negatif bir sayı olduğunda, 0 dikliği, -1 yakın değerler ise benzerliğin daha fazla olduğunu gösterir. 1 yakın değerler daha büyük farklılığı gösterir. Bu, tahminler ve hedefler arasındaki yakınlığı en üst düzeye çıkarmaya çalıştığınız bir ortamda onu bir kayıp fonksiyonu olarak kullanılabilir hale getirir. Etiketler veya tahminlerden biri sıfır vektör ise kosinüs benzerliği, tahminler ile hedefler arasındaki yakınlığa bakılmaksızın 0 olacaktır.

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

Parametreler

TF	TensorFlow Operasyonları
etiketler	gerçek hedefler
tahminler	tahminler
eksen	Benzerliğin belirleneceği eksen.

İadeler

kosinüs benzerlik kaybı

public static Operand <T> menteşesi (Ops tf, Operand <? extends TNumber > etiketleri, Operand <T> tahminleri)

Etiketler ve tahminler arasındaki menteşe kaybını hesaplar

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

Parametreler

TF	TensorFlow Operasyonları
etiketler	gerçek hedeflerde değerlerin -1 veya 1 olması beklenir. İkili (0 veya 1) etiketler sağlanırsa bunlar -1 veya 1'e dönüştürülür.
tahminler	tahminler

İadeler

menteşe kaybı

public static Operand <T> huber (Ops tf, Operand <? extends TNumber > etiketleri, Operand <T> tahminleri, float delta)

Etiketler ve tahminler arasındaki Huber kaybını hesaplar.

Hatadaki her x değeri için = etiketler - tahminler:

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

burada d deltadır.

Parametreler

TF	TensorFlow Operasyonları
etiketler	gerçek hedefler
tahminler	tahminler
delta	Huber kayıp fonksiyonunun ikinci dereceden doğrusala değiştiği nokta.

İadeler

Huber kaybı

public static İşlenen <T> kullbackLeiblerDivergence (Ops tf, İşlenen <? extends TNumber > etiketleri, İşlenen <T> tahminleri)

Etiketler ve tahminler arasındaki Kullback-Leibler sapma kaybını hesaplar.

Parametreler

TF	TensorFlow Operasyonları
etiketler	gerçek hedefler
tahminler	tahminler

İadeler

Kullback-Leibler ıraksama kaybı

Ayrıca bakınız

Kullback?Leibler farklılığı

public static İşlenen <T> l2Normalize (Ops tf, İşlenen <T> x, int[] ekseni)

L2 normunu kullanarak boyut ekseni boyunca normalleştirir.

Parametreler

TF	TensorFlow Operasyonları
X	girdi
eksen	Normalleştirilecek boyut.

İadeler

L2 normuna göre normalleştirilmiş değerler

public static Operand <T> logCosh (Ops tf, Operand <? extends TNumber > etiketleri, Operand <T> tahminleri)

Etiketler ve tahminler arasındaki hiperbolik kosinüs kaybını hesaplar.

log(cosh(x)) yaklaşık olarak küçük x için (x ** 2) / 2 ve büyük x için abs(x) - log(2) ye eşittir. Bu, 'logCosh'un çoğunlukla ortalama kare hatası gibi çalıştığı, ancak ara sıra yapılan son derece yanlış tahminlerden çok fazla etkilenmeyeceği anlamına gelir.

Parametreler

TF	TensorFlow Operasyonları
etiketler	gerçek hedefler
tahminler	tahminler

İadeler

hiperbolik kosinüs sapma kaybı

public static İşlenen <T> anlamAbsoluteError (Ops tf, İşlenen <? extends TNumber > etiketleri, İşlenen <T> tahminleri)

Etiketler ve tahminler arasındaki ortalama mutlak hatayı hesaplar.

loss = reduceMean(abs(labels - predictions))

Parametreler

TF	TensorFlow Operasyonları
etiketler	Etiketler
tahminler	tahminler

İadeler

ortalama mutlak hata

public static İşlenen <T> ortalamaAbsolutePercentageError (Ops tf, İşlenen <? extends TNumber > etiketleri, İşlenen <T> tahminleri)

Etiketler ve tahminler arasındaki ortalama mutlak yüzde hatasını hesaplar.

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

Parametreler

TF	TensorFlow Operasyonları
etiketler	Etiketler
tahminler	tahminler

İadeler

ortalama mutlak yüzde hatası

public static İşlenen <T> ortalamaSquaredError (Ops tf, İşlenen <? extends TNumber > etiketleri, İşlenen <T> tahminleri)

Etiketler ve tahminler arasındaki ortalama kare hatasını hesaplar.

loss = reduceMean(square(labels - predictions))

Parametreler

TF	TensorFlow Operasyonları
etiketler	Etiketler
tahminler	tahminler

İadeler

ortalama kare hatası

public static İşlenen <T> ortalamaSquaredLogarithmicError (Ops tf, İşlenen <? extends TNumber > etiketleri, İşlenen <T> tahminleri)

Etiketler ve tahminler arasındaki ortalama kare logaritmik hatayı hesaplar.

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

Parametreler

TF	TensorFlow Operasyonları
etiketler	Etiketler
tahminler	tahminler

İadeler

ortalama kare logaritmik yüzde hatası

public static Operand <T> poisson (Ops tf, Operand <? extends TNumber > etiketleri, Operand <T> tahminleri)

Etiketler ve tahminler arasındaki Poisson kaybını hesaplar.

Poisson kaybı, Tensör predictions - labels * log(predictions) .

Parametreler

TF	TensorFlow Operasyonları
etiketler	gerçek hedefler
tahminler	tahminler

İadeler

Poisson kaybı

public static Operand <T> sparseCategoricalCrossentropy (Ops tf, Operand <? extends TNumber > etiketleri, Operand <T> tahminleri, boolean fromLogits, int ekseni)

Etiketler ve tahminler arasındaki seyrek kategorik çapraz entropi kaybını hesaplar.

Parametreler

TF	TensorFlow Operasyonları
etiketler	gerçek hedefler
tahminler	tahminler
itibarenLogits	Tahminlerin logit olmasının beklenip beklenmediği. Varsayılan olarak tahminlerin bir olasılık dağılımını kodladığı varsayılır.
eksen	Entropinin hesaplandığı boyut.

İadeler

seyrek kategorik çapraz entropi kaybı

public static Operand <T> squaredHinge (Ops tf, Operand <? extends TNumber > etiketleri, Operand <T> tahminleri)

Etiketler ve tahminler arasındaki kare menteşe kaybını hesaplar.

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

Parametreler

TF	TensorFlow Operasyonları
etiketler	gerçek hedeflerde değerlerin -1 veya 1 olması beklenir. İkili (0 veya 1) etiketler * sağlanırsa -1 veya 1'e dönüştürülür.
tahminler	tahminler

İadeler

kare menteşe kaybı