BinaryCrossentropy
Zadbaj o dobrą organizację dzięki kolekcji
Zapisuj i kategoryzuj treści zgodnie ze swoimi preferencjami.
Metryka, która oblicza binarną stratę entropii krzyżowej między prawdziwymi i przewidywanymi etykietami.
Jest to klasa metryki crossentropii, która ma być używana, gdy istnieją tylko dwie klasy etykiet (0 i 1).
Konstruktorzy publiczni
| BinaryCrossentropy (Ops tf, nazwa ciągu, wartość logiczna fromLogits, etykieta zmiennoprzecinkowaSmoothing, długie ziarno, typ Class<T>) Tworzy metrykę BinaryCrossentropy |
Metody dziedziczone
Z klasy java.lang.Object | wartość logiczna | równa się (Obiekt arg0) |
| ostatnia klasa<?> | pobierzKlasę () |
| wew | hashCode () |
| ostateczna pustka | powiadomić () |
| ostateczna pustka | powiadom wszystkich () |
| Strunowy | doString () |
| ostateczna pustka | czekaj (długi arg0, int arg1) |
| ostateczna pustka | czekaj (długi arg0) |
| ostateczna pustka | Czekać () |
Konstruktorzy publiczni
public BinaryCrossentropy (Ops tf, nazwa ciągu, wartość logiczna fromLogits, etykieta zmiennoprzecinkowaSmoothing, długie ziarno, typ Class<T>)
Tworzy metrykę BinaryCrossentropy
Parametry
| tf | operacji TensorFlow |
|---|
| nazwa | nazwa tej metryki, jeśli ma wartość null, to nazwa metryki to getSimpleName() . |
|---|
| zLogits | Czy interpretować przewidywania jako tensor wartości logitowych, a nie jako rozkład prawdopodobieństwa. |
|---|
| etykietaWygładzanie | wartość używana do wygładzania etykiet. Gdy 0, wygładzanie nie występuje. Gdy > 0, oblicz stratę między przewidywanymi etykietami a wygładzoną wersją prawdziwych etykiet, gdzie wygładzanie ściska etykiety w kierunku 0,5. Większe wartości label_smoothing odpowiadają intensywniejszemu wygładzaniu. |
|---|
| nasionko | materiał siewny do generowania liczb losowych. Inicjator utworzony z danego ziarna zawsze będzie generował ten sam losowy tensor dla danego kształtu i typu danych. |
|---|
| typ | typ zmiennych i wynik |
|---|
Metody publiczne
publiczne wywołanie argumentu <T> ( operand <? rozszerza TNumber > etykiety, argument <? rozszerza TNumber > przewidywania)
Oblicza ważoną stratę między labels i predictions
Parametry
| etykiety | wartości prawdy lub etykiety |
|---|
| prognozy | przewidywania |
|---|
O ile nie stwierdzono inaczej, treść tej strony jest objęta licencją Creative Commons – uznanie autorstwa 4.0, a fragmenty kodu są dostępne na licencji Apache 2.0. Szczegółowe informacje na ten temat zawierają zasady dotyczące witryny Google Developers. Java jest zastrzeżonym znakiem towarowym firmy Oracle i jej podmiotów stowarzyszonych.
Ostatnia aktualizacja: 2025-07-25 UTC.
[[["Łatwo zrozumieć","easyToUnderstand","thumb-up"],["Rozwiązało to mój problem","solvedMyProblem","thumb-up"],["Inne","otherUp","thumb-up"]],[["Brak potrzebnych mi informacji","missingTheInformationINeed","thumb-down"],["Zbyt skomplikowane / zbyt wiele czynności do wykonania","tooComplicatedTooManySteps","thumb-down"],["Nieaktualne treści","outOfDate","thumb-down"],["Problem z tłumaczeniem","translationIssue","thumb-down"],["Problem z przykładami/kodem","samplesCodeIssue","thumb-down"],["Inne","otherDown","thumb-down"]],["Ostatnia aktualizacja: 2025-07-25 UTC."],[],[]]
