SparseCategoricalCrossentropy

Tính toán tổn thất entropy chéo giữa nhãn và dự đoán.

Sử dụng hàm mất entropy chéo này khi có hai hoặc nhiều lớp nhãn. Các nhãn dự kiến ​​sẽ được cung cấp dưới dạng số nguyên. Nếu bạn muốn cung cấp nhãn bằng cách sử dụng biểu diễn one-hot , vui lòng sử dụng CategoricalCrossentropy loss. Phải có # classes giá trị dấu phẩy động cho mỗi đối tượng cho predictions và một giá trị dấu phẩy động duy nhất cho mỗi đối tượng cho label .

Trong đoạn mã bên dưới, có một giá trị dấu phẩy động duy nhất cho mỗi ví dụ cho labels và # classes giá trị dấu phẩy động cho mỗi ví dụ cho predictions . Hình dạng của labels là [batch_size] và hình dạng của predictions là [batch_size, num_classes] .

Cách sử dụng độc lập:

    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
 

Gọi với trọng lượng mẫu:

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

Sử dụng loại giảm SUM :

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

Sử dụng loại giảm NONE :

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