SparseCategoricalCrossentropy

Вычисляет потерю кроссэнтропии между метками и прогнозами.

Используйте эту функцию кроссэнтропийных потерь, когда имеется два или более классов меток. Ожидается, что метки будут предоставлены как целые числа. Если вы хотите предоставить метки с использованием one-hot представления, используйте потерю CategoricalCrossentropy . Должно быть # classes значений с плавающей запятой для каждого объекта для predictions и одно значение с плавающей запятой для каждого объекта для label .

В приведенном ниже фрагменте приведено одно значение с плавающей запятой для каждого примера для labels и # classes значений с плавающей запятой для каждого примера для predictions . Форма labels — [batch_size] , а форма predictions — [batch_size, num_classes] .

Автономное использование:

    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
 

Вызов с выборочным весом:

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

Использование типа сокращения SUM :

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

Использование типа сокращения NONE :

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