Calcula la pérdida de entropía cruzada entre etiquetas y predicciones.
Utilice esta función de pérdida de entropía cruzada cuando haya dos o más clases de etiquetas. Se espera que las etiquetas se proporcionen como números enteros. Si desea proporcionar etiquetas utilizando una representación one-hot
, utilice la pérdida CategoricalCrossentropy
. Debe haber # classes
de valores de punto flotante por característica para predictions
y un único valor de punto flotante por característica para label
.
En el fragmento siguiente, hay un único valor de punto flotante por ejemplo para labels
y # classes
valores de punto flotante por ejemplo para predictions
. La forma de labels
es [batch_size]
y la forma de predictions
es [batch_size, num_classes]
.
Uso independiente:
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
Llamar con peso de muestra:
Operand<TFloat32> sampleWeight = tf.constant(new float[] {0.3f, 0.7f}); Operand<TFloat32> result = sparseCCE.call(labels, predictions, sampleWeight); // produces 0.814f
Usando el tipo de reducción SUM
:
SparseCategoricalCrossentropy sparseCCE = new SparseCategoricalCrossentropy(tf, Reduction.SUM); Operand<TFloat32> result = sparseCCE.call(labels, predictions); // produces 2.354f
Usando NONE
tipo de reducción:
SparseCategoricalCrossentropy sparseCCE = new SparseCategoricalCrossentropy(tf, Reduction.NONE); Operand<TFloat32> result = sparseCCE.call(labels, predictions); // produces [0.0513f, 2.303f]
Constantes
En t | AXIS_DEFAULT | |
booleano | FROM_LOGITS_DEFAULT |
Campos heredados
Constructores Públicos
SparseCategoricalCrossentropy (Ops tf) Crea una pérdida SparseCategoricalCrossentropy usando getSimpleName() como nombre de la pérdida, una reducción de pérdida de REDUCTION_DEFAULT y fromLogits= FROM_LOGITS_DEFAULT . | |
SparseCategoricalCrossentropy (Ops tf, nombre de cadena) Crea una pérdida de SparseCategoricalCrossentropy utilizando una reducción de pérdida de REDUCTION_DEFAULT y fromLogits= FROM_LOGITS_DEFAULT . | |
SparseCategorialCrossentropy (Ops tf, reducción de reducción ) Crea una pérdida SparseCategoricalCrossentropy usando getSimpleName() como nombre de la pérdida, con Reduction.AUTO y fromLogits= FROM_LOGITS_DEFAULT . | |
SparseCategoricalCrossentropy (Ops tf, nombre de cadena, reducción de reducción ) Crea una pérdida SparseCategoricalCrossentropy con Reduction.AUTO y fromLogits= FROM_LOGITS_DEFAULT . | |
SparseCategoricalCrossentropy (Ops tf, nombre de cadena, booleano deLogits) Crea una SparseCategoricalCrossentropy utilizando una reducción de pérdidas de REDUCTION_DEFAULT y fromLogits= FROM_LOGITS_DEFAULT . | |
SparseCategoricalCrossentropy (Ops tf, booleano deLogits) Crea una pérdida SparseCategoricalCrossentropy usando getSimpleName() como nombre de la pérdida, una reducción de pérdida de REDUCTION_DEFAULT y fromLogits= FROM_LOGITS_DEFAULT . | |
SparseCategoricalCrossentropy (Ops tf, booleano fromLogits, reducción ) Crea una pérdida SparseCategoricalCrossentropy usando getSimpleName() como nombre de la pérdida. | |
SparseCategoricalCrossentropy (Ops tf, nombre de cadena, booleano fromLogits, reducción de reducción, eje int) Crea una entropía cruzada categórica dispersa |
Métodos públicos
<T extiende TNumber > Operando <T> | llamada ( Operando <? extiende etiquetas TNumber >, predicciones de operando <T>, pesos de muestra de operando <T>) Genera un operando y calcula la pérdida. |
Métodos heredados
Constantes
público estático final int AXIS_DEFAULT
booleano final estático público FROM_LOGITS_DEFAULT
Constructores Públicos
pública SparseCategoricalCrossentropy (Ops tf)
Crea una pérdida SparseCategoricalCrossentropy usando getSimpleName()
como nombre de la pérdida, una reducción de pérdida de REDUCTION_DEFAULT
y fromLogits= FROM_LOGITS_DEFAULT
.
Parámetros
tf | las operaciones de TensorFlow |
---|
pública SparseCategoricalCrossentropy (Ops tf, nombre de cadena)
Crea una pérdida de SparseCategoricalCrossentropy utilizando una reducción de pérdida de REDUCTION_DEFAULT
y fromLogits= FROM_LOGITS_DEFAULT
.
Parámetros
tf | las operaciones de TensorFlow |
---|---|
nombre | el nombre de esta función de pérdida |
pública SparseCategorialCrossentropy (Ops tf, reducción de reducción )
Crea una pérdida SparseCategoricalCrossentropy usando getSimpleName()
como nombre de la pérdida, con Reduction.AUTO y fromLogits= FROM_LOGITS_DEFAULT
.
Parámetros
tf | las operaciones de TensorFlow |
---|---|
reducción | Tipo de Reducción a aplicar en caso de pérdida. |
public SparseCategoricalCrossentropy (Ops tf, nombre de cadena, reducción de reducción )
Crea una pérdida SparseCategoricalCrossentropy con Reduction.AUTO y fromLogits= FROM_LOGITS_DEFAULT
.
Parámetros
tf | las operaciones de TensorFlow |
---|---|
nombre | el nombre de esta función de pérdida |
reducción | Tipo de Reducción a aplicar en caso de pérdida. |
pública SparseCategoricalCrossentropy (Ops tf, nombre de cadena, booleano deLogits)
Crea una SparseCategoricalCrossentropy utilizando una reducción de pérdidas de REDUCTION_DEFAULT
y fromLogits= FROM_LOGITS_DEFAULT
.
Parámetros
tf | las operaciones de TensorFlow |
---|---|
nombre | el nombre de esta función de pérdida |
desdeLogits | Si se deben interpretar las predicciones como un tensor de valores logit |
pública SparseCategoricalCrossentropy (Ops tf, booleano deLogits)
Crea una pérdida SparseCategoricalCrossentropy usando getSimpleName()
como nombre de la pérdida, una reducción de pérdida de REDUCTION_DEFAULT
y fromLogits= FROM_LOGITS_DEFAULT
.
Parámetros
tf | las operaciones de TensorFlow |
---|---|
desdeLogits | Si se deben interpretar las predicciones como un tensor de valores logit |
pública SparseCategoricalCrossentropy (Ops tf, boolean fromLogits, reducción de reducción )
Crea una pérdida SparseCategoricalCrossentropy usando getSimpleName()
como nombre de la pérdida.
Parámetros
tf | las operaciones de TensorFlow |
---|---|
desdeLogits | Si se deben interpretar las predicciones como un tensor de valores logit |
reducción | Tipo de Reducción a aplicar en caso de pérdida. |
public SparseCategoricalCrossentropy (Ops tf, nombre de cadena, booleano fromLogits, reducción de reducción , eje int)
Crea una entropía cruzada categórica dispersa
Parámetros
tf | las operaciones de TensorFlow |
---|---|
nombre | el nombre de esta función de pérdida |
desdeLogits | Si se deben interpretar las predicciones como un tensor de valores logit |
reducción | Tipo de Reducción a aplicar en caso de pérdida. |
eje | El eje de los canales. axis=-1 corresponde al formato de datos "Últimos canales" y axis=1 corresponde al formato de datos "Primeros canales". |
Métodos públicos
Llamada pública al operando <T> ( el operando <? extiende las etiquetas TNumber >, las predicciones del operando <T>, los pesos de muestra del operando <T>)
Genera un operando y calcula la pérdida.
Si se ejecuta en modo Gráfico, el cálculo generará TFInvalidArgumentException
si los valores de las predicciones están fuera del rango o [0. a 1.]. En modo ansioso, esta llamada generará IllegalArgumentException
, si los valores de las predicciones están fuera del rango o [0. a 1.]
Parámetros
etiquetas | los valores o etiquetas de verdad |
---|---|
predicciones | las predicciones, los valores deben estar en el rango [0. a 1.] inclusive. |
pesos de muestra | SampleWeights opcional actúa como un coeficiente de pérdida. Si se proporciona un escalar, entonces la pérdida simplemente se escala según el valor dado. Si SampleWeights es un tensor de tamaño [batch_size], entonces la pérdida total de cada muestra del lote se vuelve a escalar mediante el elemento correspondiente en el vector SampleWeights. Si la forma de SampleWeights es [batch_size, d0, .. dN-1] (o se puede transmitir a esta forma), entonces cada elemento de pérdida de las predicciones se escala según el valor correspondiente de SampleWeights. (Nota sobre dN-1: todas las funciones de pérdida se reducen en 1 dimensión, generalmente eje = -1). |
Devoluciones
- la pérdida
Lanza
Argumento de excepción ilegal | si las predicciones están fuera del rango [0.-1.]. |
---|