מחשב את אובדן ה-crossentropy בין תוויות ותחזיות.
השתמש בפונקציית אובדן קרוסנטרופיה זו כאשר יש שתי מחלקות תוויות או יותר. התוויות צפויות להיות מסופקות כמספרים שלמים. אם ברצונך לספק תוויות באמצעות ייצוג one-hot
, אנא השתמש ב- CategoricalCrossentropy
loss. צריכים להיות # classes
ערכי נקודה צפה לכל תכונה עבור predictions
וערך נקודה צפה יחידה לכל תכונה עבור label
.
בקטע שלמטה, יש ערך נקודה צפה יחידה לכל דוגמה עבור labels
ו- # classes
ערכי הצבעה צפים לכל דוגמה עבור predictions
. צורת labels
היא [batch_size]
וצורת predictions
היא [batch_size, num_classes]
.
שימוש עצמאי:
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
מתקשר עם משקל לדוגמה:
Operand<TFloat32> sampleWeight = tf.constant(new float[] {0.3f, 0.7f}); Operand<TFloat32> result = sparseCCE.call(labels, predictions, sampleWeight); // produces 0.814f
שימוש בסוג הפחתת SUM
:
SparseCategoricalCrossentropy sparseCCE = new SparseCategoricalCrossentropy(tf, Reduction.SUM); Operand<TFloat32> result = sparseCCE.call(labels, predictions); // produces 2.354f
שימוש בסוג הפחתה NONE
:
SparseCategoricalCrossentropy sparseCCE = new SparseCategoricalCrossentropy(tf, Reduction.NONE); Operand<TFloat32> result = sparseCCE.call(labels, predictions); // produces [0.0513f, 2.303f]
קבועים
int | AXIS_DEFAULT | |
בוליאני | FROM_LOGITS_DEFAULT |
שדות בירושה
בונים ציבוריים
SparseCategoricalCrossentropy (Ops tf) יוצר הפסד SparseCategoricalCrossentropy באמצעות getSimpleName() כשם ההפסד, הורדת הפסד של REDUCTION_DEFAULT ו-fromLogits= FROM_LOGITS_DEFAULT . | |
SparseCategoricalCrossentropy (Ops tf, שם מחרוזת) יוצר אובדן SparseCategoricalCrossentropy באמצעות הפחתת הפסד של REDUCTION_DEFAULT , ו-fromLogits= FROM_LOGITS_DEFAULT . | |
SparseCategoricalCrossentropy (Ops tf, הפחתת הפחתה ) יוצר הפסד SparseCategoricalCrossentropy באמצעות getSimpleName() כשם ההפסד, עם Reduction.AUTO ו-fromLogits= FROM_LOGITS_DEFAULT . | |
SparseCategoricalCrossentropy (Ops tf, שם מחרוזת, הפחתת הפחתה ) יוצר אובדן SparseCategoricalCrossentropy עם Reduction.AUTO ו-fromLogits= FROM_LOGITS_DEFAULT . | |
SparseCategoricalCrossentropy (Ops tf, שם מחרוזת, בוליאני מLogits) יוצר SparseCategoricalCrossentropy באמצעות הפחתת הפסד של REDUCTION_DEFAULT , ו-fromLogits= FROM_LOGITS_DEFAULT . | |
SparseCategoricalCrossentropy (Ops tf, בוליאני מLogits) יוצר הפסד SparseCategoricalCrossentropy באמצעות getSimpleName() כשם ההפסד, הורדת הפסד של REDUCTION_DEFAULT ו-fromLogits= FROM_LOGITS_DEFAULT . | |
SparseCategoricalCrossentropy (Ops tf, בוליאני מ-Logits, הפחתת הפחתה ) יוצר הפסד SparseCategoricalCrossentropy באמצעות getSimpleName() כשם ההפסד, | |
SparseCategoricalCrossentropy (Ops tf, שם מחרוזת, בוליאני מ-Logits, הפחתת הפחתה , ציר int) יוצר קרוסנטרופיה SparseCategorical |
שיטות ציבוריות
<T מרחיב את TNummer > Operand <T> | קריאה ( Operand <? מרחיב את התוויות של TNomber >, תחזיות Operand <T>, Oprand <T> sampleWeights) יוצר אופרנד ומחשב את ההפסד. |
שיטות בירושה
קבועים
ציבורי סטטי סופי int AXIS_DEFAULT
בוליאן סופי סטטי ציבורי FROM_LOGITS_DEFAULT
בונים ציבוריים
ציבורי SparseCategoricalCrossentropy (Ops tf)
יוצר הפסד SparseCategoricalCrossentropy באמצעות getSimpleName()
כשם ההפסד, הורדת הפסד של REDUCTION_DEFAULT
ו-fromLogits= FROM_LOGITS_DEFAULT
.
פרמטרים
tf | ה- TensorFlow Ops |
---|
public SparseCategoricalCrossentropy (Ops tf, שם מחרוזת)
יוצר אובדן SparseCategoricalCrossentropy באמצעות הפחתת הפסד של REDUCTION_DEFAULT
, ו-fromLogits= FROM_LOGITS_DEFAULT
.
פרמטרים
tf | ה- TensorFlow Ops |
---|---|
שֵׁם | השם של פונקציית ההפסד הזו |
ציבורי SparseCategoricalCrossentropy (Ops tf, הפחתת הפחתה )
יוצר הפסד SparseCategoricalCrossentropy באמצעות getSimpleName()
כשם ההפסד, עם Reduction.AUTO ו-fromLogits= FROM_LOGITS_DEFAULT
.
פרמטרים
tf | ה- TensorFlow Ops |
---|---|
צִמצוּם | סוג ההפחתה להחלה על אובדן. |
public SparseCategoricalCrossentropy (Ops tf, שם מחרוזת, הפחתת הפחתה )
יוצר אובדן SparseCategoricalCrossentropy עם Reduction.AUTO ו-fromLogits= FROM_LOGITS_DEFAULT
.
פרמטרים
tf | ה- TensorFlow Ops |
---|---|
שֵׁם | השם של פונקציית ההפסד הזו |
צִמצוּם | סוג ההפחתה להחלה על אובדן. |
public SparseCategoricalCrossentropy (Ops tf, שם מחרוזת, בוליאני מLogits)
יוצר SparseCategoricalCrossentropy באמצעות הפחתת הפסד של REDUCTION_DEFAULT
, ו-fromLogits= FROM_LOGITS_DEFAULT
.
פרמטרים
tf | ה- TensorFlow Ops |
---|---|
שֵׁם | השם של פונקציית ההפסד הזו |
מLogits | האם לפרש תחזיות כטנזור של ערכי לוגיט |
public SparseCategoricalCrossentropy (Ops tf, בוליאני מLogits)
יוצר הפסד SparseCategoricalCrossentropy באמצעות getSimpleName()
כשם ההפסד, הורדת הפסד של REDUCTION_DEFAULT
ו-fromLogits= FROM_LOGITS_DEFAULT
.
פרמטרים
tf | ה- TensorFlow Ops |
---|---|
מLogits | האם לפרש תחזיות כטנזור של ערכי לוגיט |
ציבורי SparseCategoricalCrossentropy (Ops tf, בוליאני מ-Logits, הפחתת הפחתה )
יוצר הפסד SparseCategoricalCrossentropy באמצעות getSimpleName()
כשם ההפסד,
פרמטרים
tf | ה- TensorFlow Ops |
---|---|
מLogits | האם לפרש תחזיות כטנזור של ערכי לוגיט |
צִמצוּם | סוג ההפחתה להחלה על אובדן. |
public SparseCategoricalCrossentropy (Ops tf, שם מחרוזת, בוליאני מ-Logits, הפחתת הפחתה , ציר int)
יוצר קרוסנטרופיה SparseCategorical
פרמטרים
tf | ה- TensorFlow Ops |
---|---|
שֵׁם | השם של פונקציית ההפסד הזו |
מLogits | האם לפרש תחזיות כטנזור של ערכי לוגיט |
צִמצוּם | סוג ההפחתה להחלה על אובדן. |
צִיר | ציר הערוצים. axis=-1 מתאים לפורמט הנתונים 'ערוצים אחרונים' וציר axis=1 מתאים לפורמט הנתונים 'ערוצים תחילה'. |
שיטות ציבוריות
קריאת Operand <T> ציבורית ( Operand <? מרחיב את התוויות של TNumber >, תחזיות Operand <T>, Oprand <T> דוגמת משקלים)
יוצר אופרנד ומחשב את ההפסד.
אם ההפעלה במצב גרף, החישוב יזרוק TFInvalidArgumentException
אם ערכי החיזויים נמצאים מחוץ לטווח o [0. ל-1.]. במצב להוט, קריאה זו תזרוק IllegalArgumentException
, אם ערכי החיזויים נמצאים מחוץ לטווח o [0. ל-1.]
פרמטרים
תוויות | ערכי האמת או התוויות |
---|---|
תחזיות | הערכים החיזויים חייבים להיות בטווח [0. עד 1.] כולל. |
משקולות לדוגמה | SampleWeights אופציונליים פועלים כמקדם לאובדן. אם מסופק סקלר, אז ההפסד פשוט מוגדל לפי הערך הנתון. אם SampleWeights הוא טנסור בגודל [batch_size], אז ההפסד הכולל עבור כל דגימה של האצווה משתנה מחדש על ידי האלמנט המתאים בוקטור SampleWeights. אם הצורה של SampleWeights היא [batch_size, d0, ..dN-1] (או שניתן לשדר אותה לצורה זו), אז כל רכיב אובדן של חיזויים משתנה לפי הערך המתאים של SampleWeights. (הערה לגבי dN-1: כל פונקציות האובדן מצטמצמות בממד אחד, בדרך כלל ציר=-1.) |
החזרות
- ההפסד
זורק
חריג טיעון לא חוקי | אם התחזיות הן מחוץ לטווח [0.-1.]. |
---|