Une métrique qui calcule la perte d'entropie croisée catégorielle entre les étiquettes réelles et les étiquettes prédites.
Il s'agit de la classe de métrique d'entropie croisée à utiliser lorsqu'il existe plusieurs classes d'étiquettes (2 ou plus). Les étiquettes doivent être données sous forme de représentation one_hot. Par exemple, lorsque les valeurs des étiquettes sont [2, 0, 1]
, l'opérande des étiquettes contient = [[0, 0, 1], [1, 0, 0], [0, 1, 0]]
Constantes héritées
Constructeurs Publics
CategoricalCrossentropy (Ops tf, nom de chaîne, booléen fromLogits, float labelSmoothing, graine longue, type Class<T>) Crée une métrique CategoricalCrossentropy qui calcule la métrique d'entropie croisée entre les étiquettes et les prédictions. | |
CategoricalCrossentropy (Ops tf, nom de chaîne, booléen fromLogits, float labelSmoothing, axe int, graine longue, type Class<T>) Crée une métrique CategoricalCrossentropy qui calcule la métrique d'entropie croisée entre les étiquettes et les prédictions. |
Méthodes publiques
Opérande <T> |
Méthodes héritées
Constructeurs Publics
public CategoricalCrossentropy (Ops tf, nom de chaîne, booléen fromLogits, float labelSmoothing, graine longue, type Class<T>)
Crée une métrique CategoricalCrossentropy qui calcule la métrique d'entropie croisée entre les étiquettes et les prédictions.
Utilise un CHANNELS_LAST
pour l'axe du canal.
Paramètres
tf | les opérations TensorFlow |
---|---|
nom | le nom de cette métrique, si null alors le nom de la métrique est getSimpleName() . |
deLogits | S'il faut interpréter les prédictions comme un tenseur de valeurs logit ou par opposition à une distribution de probabilité. |
labelLissage | valeur utilisée pour lisser les étiquettes. Lorsque > 0, les valeurs des étiquettes sont lissées, ce qui signifie que la confiance dans les valeurs des étiquettes est assouplie. par exemple labelSmoothing=0.2 signifie que nous utiliserons une valeur de 0.1 pour l'étiquette 0 et 0.9 pour l'étiquette 1 |
graine | la graine pour la génération de nombres aléatoires. Un initialiseur créé avec une graine donnée produira toujours le même tenseur aléatoire pour une forme et un type de données donnés. |
taper | le type des variables et du résultat |
public CategoricalCrossentropy (Ops tf, nom de chaîne, booléen fromLogits, float labelSmoothing, axe int, graine longue, type Class<T>)
Crée une métrique CategoricalCrossentropy qui calcule la métrique d'entropie croisée entre les étiquettes et les prédictions.
Paramètres
tf | les opérations TensorFlow |
---|---|
nom | le nom de cette métrique, si null alors le nom de la métrique est getSimpleName() . |
deLogits | S'il faut interpréter les prédictions comme un tenseur de valeurs logit plutôt que comme une distribution de probabilité. |
labelLissage | valeur utilisée pour lisser les étiquettes. Lorsque > 0, les valeurs des étiquettes sont lissées, ce qui signifie que la confiance dans les valeurs des étiquettes est assouplie. par exemple labelSmoothing=0.2 signifie que nous utiliserons une valeur de 0.1 pour l'étiquette 0 et 0.9 pour l'étiquette 1 |
axe | Int spécifiant l’axe des canaux. axis= correspond au format de channels_last , et axis= correspond au format de channels_first . |
graine | la graine pour la génération de nombres aléatoires. Un initialiseur créé avec une graine donnée produira toujours le même tenseur aléatoire pour une forme et un type de données donnés. |
taper | le type des variables et du résultat |
Méthodes publiques
appel à l'opérande public <T> ( opérande <? étend TNumber > étiquettes, opérande <? étend TNumber > prédictions)
Calcule la perte pondérée entre labels
et predictions
Paramètres
Étiquettes | les valeurs ou étiquettes de vérité |
---|---|
prédictions | les prédictions |
Retour
- la perte