SparseCategoricalCrossentropy

Etiketler ve tahminler arasındaki çapraz entropi kaybını hesaplar.

İki veya daha fazla etiket sınıfı olduğunda bu çapraz entropi kaybı fonksiyonunu kullanın. Etiketlerin tamsayı olarak sağlanması beklenmektedir. one-hot gösterimi kullanarak etiketler sağlamak istiyorsanız lütfen CategoricalCrossentropy kaybını kullanın. predictions için özellik başına # classes kayan nokta değeri ve label için özellik başına tek bir kayan nokta değeri olmalıdır.

Aşağıdaki kod parçasında, labels için örnek başına tek bir kayan nokta değeri ve predictions için örnek başına # classes kayan nokta değeri vardır. labels şekli [batch_size] ve predictions şekli ise [batch_size, num_classes] şeklindedir.

Bağımsız kullanım:

    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
 

Örnek ağırlıkla arama:

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

SUM azaltma türünü kullanma:

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

NONE azaltma türünü kullanma:

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