SparseCategoricalCrossentropy

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]