SparseCategoricalCrossentropy

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]