SparseCategoricalCrossentropy

Calcula a perda de entropia cruzada entre rótulos e previsões.

Use esta função de perda de entrecropia cruzada quando houver duas ou mais classes de rótulo. Espera-se que os rótulos sejam fornecidos como inteiros. Se você deseja fornecer rótulos usando representação one-hot , use a perda CategoricalCrossentropy . Deve haver # classes valores de ponto flutuante por recurso para predictions e um único valor de ponto flutuante por recurso para label .

No fragmento abaixo, há um único valor de ponto flutuante por exemplo para labels e # classes valores de apontamento flutuante por exemplo para predictions . A forma dos labels é [batch_size] e a forma das predictions é [batch_size, num_classes] .

Uso autônomo:

    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
 

Ligando com peso de amostra:

    Operand<TFloat32> sampleWeight = tf.constant(new float[] {0.3f, 0.7f});
    Operand<TFloat32> result = sparseCCE.call(labels, predictions, sampleWeight);
    // produces 0.814f
 

Usando o tipo de redução SUM :

    SparseCategoricalCrossentropy sparseCCE = new SparseCategoricalCrossentropy(tf, Reduction.SUM);
    Operand<TFloat32> result = sparseCCE.call(labels, predictions);
    // produces 2.354f
 

Usando o tipo de redução NONE :

    SparseCategoricalCrossentropy sparseCCE = new SparseCategoricalCrossentropy(tf, Reduction.NONE);
    Operand<TFloat32> result = sparseCCE.call(labels, predictions);
    // produces [0.0513f, 2.303f]