SparseCategoricalCrossentropy

คำนวณการสูญเสียข้ามเอนโทรปีระหว่างป้ายกำกับและการทำนาย

ใช้ฟังก์ชันการสูญเสียข้ามเอนโทรปีนี้เมื่อมีคลาสเลเบลตั้งแต่สองคลาสขึ้นไป คาดว่าป้ายกำกับจะต้องระบุเป็นจำนวนเต็ม หากคุณต้องการจัดเตรียมป้ายกำกับโดยใช้การนำเสนอ one-hot โปรดใช้ CategoricalCrossentropy loss ควรมีค่าทศนิยม # classes คลาสต่อจุดสนใจสำหรับ predictions และค่าจุดลอยตัวเดียวต่อจุดสนใจสำหรับ label

ในตัวอย่างด้านล่าง มีค่าจุดลอยตัวเพียงค่าเดียวต่อตัวอย่างสำหรับ labels และค่าจุดลอยตัว # classes ต่อตัวอย่างสำหรับ predictions รูปร่างของ labels คือ [batch_size] และรูปร่างของ predictions คือ [batch_size, num_classes]

การใช้งานแบบสแตนด์อโลน:

    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
 

การโทรด้วยน้ำหนักตัวอย่าง:

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

การใช้ประเภทการลด SUM :

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

การใช้ประเภทการลด NONE :

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