SparseCategoricalCrossentropy

يحسب خسارة الانتروبيا بين التسميات والتنبؤات.

استخدم وظيفة فقدان الانتروبيا هذه عندما يكون هناك فئتان أو أكثر من فئات التصنيف. ومن المتوقع أن يتم توفير التسميات كأعداد صحيحة. إذا كنت تريد تقديم تصنيفات باستخدام تمثيل one-hot ، فيرجى استخدام خسارة CategoricalCrossentropy . يجب أن يكون هناك # classes من قيم الفاصلة العائمة لكل ميزة predictions وقيمة نقطة عائمة واحدة لكل ميزة label .

في المقتطف أدناه، توجد قيمة نقطة عائمة واحدة لكل مثال labels و # classes قيم تأشير عائمة لكل مثال predictions . شكل labels هو [batch_size] وشكل predictions هو [batch_size, num_classes] .

الاستخدام المستقل:

    Operand<TFloat32> labels =
        tf.constant(new float[] {1, 2});
    Operand<TFloat32> predictions =
        tf.constant(new float[][] { {0.05f, 0.95f, 0f}, {0.1f, 0.8f, 0.1f} });
    SparseCategoricalCrossentropy sparseCCE = new SparseCategoricalCrossentropy(tf);
    Operand<TFloat32> result = sparseCCE.call(labels, predictions);
    // produces 1.177f
 

الاتصال بوزن العينة:

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

استخدام نوع التخفيض SUM :

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

استخدام نوع التخفيض NONE :

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