میانگین تفاوت مطلق بین برچسب ها و پیش بینی ها را محاسبه می کند.
loss = abs(labels - predictions)
استفاده مستقل:
Operand<TFloat32> labels = tf.constant(new float[][] { {0.f, 1.f}, {0.f, 0.f} }); Operand<TFloat32> predictions = tf.constant(new float[][] { {1.f, 1.f}, {1.f, 0.f} }); MeanAbsoluteError mae = new MeanAbsoluteError(tf); Operand<TFloat32> result = mae.call(labels, predictions); // produces 0.5f
تماس با وزن نمونه:
Operand<TFloat32> sampleWeight = tf.constant(new float[] {0.7f, 0.3f}); Operand<TFloat32> result = mae.call(labels, predictions, sampleWeight); // produces 0.25f
با استفاده از نوع کاهش SUM
:
MeanAbsoluteError mae = new MeanAbsoluteError(tf, Reduction.SUM); Operand<TFloat32> result = mae.call(labels, predictions); // produces 1.0f
با استفاده از نوع کاهش NONE
:
MeanAbsoluteError mae = new MeanAbsoluteError(tf, Reduction.NONE); Operand<TFloat32> result = mae.call(labels, predictions); // produces [0.5f, 0.5f]
فیلدهای ارثی
سازندگان عمومی
MeanAbsoluteError (Ops tf) با استفاده از getSimpleName() به عنوان نام ضرر و کاهش ضرر REDUCTION_DEFAULT یک MeanAbsoluteError Loss ایجاد می کند. | |
MeanAbsoluteError (Ops tf، کاهش کاهش) با استفاده از getSimpleName() به عنوان نام ضرر یک MeanAbsoluteError Loss ایجاد می کند. | |
روش های عمومی
<T TNumber > عملوند <T> را گسترش می دهد |
روش های ارثی
سازندگان عمومی
عمومی MeanAbsoluteError (Ops tf)
با استفاده از getSimpleName()
به عنوان نام ضرر و کاهش ضرر REDUCTION_DEFAULT
یک MeanAbsoluteError Loss ایجاد می کند.
مولفه های
tf | TensorFlow Ops |
---|
عمومی MeanAbsoluteError (Ops tf، کاهش کاهش)
با استفاده از getSimpleName()
به عنوان نام ضرر یک MeanAbsoluteError Loss ایجاد می کند.
مولفه های
tf | TensorFlow Ops |
---|---|
کاهش | نوع کاهش برای اعمال زیان. |
عمومی MeanAbsoluteError (Ops tf، نام رشته، کاهش کاهش )
یک MeanAbsoluteError ایجاد می کند
مولفه های
tf | TensorFlow Ops |
---|---|
نام | نام باخت |
کاهش | نوع کاهش برای اعمال زیان. |
روش های عمومی
فراخوان عمومی Operand <T> ( Operand <? TNumber > برچسب ها را گسترش می دهد، پیش بینی های Operand <T>، Operand <T> sampleWeights)
یک عملوند تولید می کند که ضرر را محاسبه می کند.
مولفه های
برچسب ها | ارزش ها یا برچسب های حقیقت |
---|---|
پیش بینی ها | پیش بینی ها |
وزن نمونه | نمونه اختیاری Weights به عنوان ضریب ضرر عمل می کند. اگر یک اسکالر ارائه شود، ضرر به سادگی با مقدار داده شده مقیاس می شود. اگر SampleWeights یک تانسور با اندازه [batch_size] باشد، آنگاه تلفات کل برای هر نمونه از دسته توسط عنصر مربوطه در بردار SampleWeights مجدداً مقیاس میشود. اگر شکل SampleWeights [batch_size, d0, .. dN-1] باشد (یا می تواند به این شکل پخش شود)، آنگاه هر عنصر از دست دادن پیش بینی با مقدار مربوط به SampleWeights مقیاس می شود. (توجه به dN-1: تمام توابع تلفات 1 بعد کاهش می یابد، معمولاً محور =-1.) |
برمی گرداند
- از دست دادن