SparseCategoricalCrossentropy

מחלקה ציבורית דלילהקטגוריתCrossentropy

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 מדגם:

    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

ערך קבוע: -1

בוליאן סופי סטטי ציבורי FROM_LOGITS_DEFAULT

ערך קבוע: שקר

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 הפסד זו

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 הפסד זו
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 הפסד זו
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 הפסד זו
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.)
מחזיר
  • ההפסד
זורק
חריג טיעון לא חוקי אם התחזיות הן מחוץ לטווח [0.-1.].