CategoricalCrossentropy

ชั้นเรียนสาธารณะ CategoricalCrossentropy

หน่วยวัดที่คำนวณการสูญเสียเอนโทรปีข้ามหมวดหมู่ระหว่างป้ายกำกับที่แท้จริงและป้ายกำกับที่คาดการณ์ไว้

นี่คือคลาสเมทริกข้ามเอนโทรปีที่จะใช้เมื่อมีคลาสเลเบลหลายคลาส (2 คลาสขึ้นไป) ควรกำหนดป้ายกำกับเพื่อแสดง one_hot เช่น เมื่อค่าป้ายกำกับเป็น [2, 0, 1] ป้ายกำกับ Operand จะมี = [[0, 0, 1], [1, 0, 0], [0, 1, 0]]

ค่าคงที่ที่สืบทอดมา

จากคลาส org.tensorflow.framework.metrics.impl.Reduce

สตริง	นับ
สตริง	ทั้งหมด

คอนสตรัคชั่นสาธารณะ

CategoricalCrossentropy (Ops tf, ชื่อสตริง, บูลีนจาก Logits, ป้ายกำกับโฟลตทำให้เรียบ, เมล็ดยาว, ประเภทคลาส <T>)

สร้างเมตริก Crossentropy แบบหมวดหมู่ที่คำนวณเมตริก Crossentropy ระหว่างป้ายกำกับและการคาดคะเน

CategoricalCrossentropy (Ops tf, ชื่อสตริง, บูลีนจาก Logits, ป้ายกำกับโฟลตปรับให้เรียบ, แกน int, เมล็ดยาว, ประเภทคลาส <T>)

วิธีการสาธารณะ

ตัวดำเนินการ <T>

โทร ( ตัวดำเนินการ <? ขยาย TNumber > ป้ายกำกับ, ตัวดำเนินการ <? ขยาย TNumber > การคาดการณ์)

คำนวณการสูญเสียน้ำหนักระหว่าง labels และ predictions

วิธีการสืบทอด

จากคลาส org.tensorflow.framework.metrics.impl.MeanMetricWrapper

ลอสเมตริก <T>

รับการสูญเสีย ()

รับฟังก์ชันการสูญเสีย

รายการ< ปฏิบัติการ >

updateStateList ( ตัวดำเนินการ <? ขยาย TNumber > ป้ายกำกับ, ตัวดำเนินการ <? ขยาย TNumber > การคาดคะเน, ตัวดำเนินการ <? ขยาย TNumber > ตัวอย่างน้ำหนัก)

สร้างการดำเนินการที่อัปเดตสถานะของหน่วยเมตริกเฉลี่ย โดยการเรียกใช้ฟังก์ชันการสูญเสียและส่งการสูญเสียไปยังหน่วยเมตริกเฉลี่ย เพื่อคำนวณค่าเฉลี่ยถ่วงน้ำหนักของการสูญเสียในการวนซ้ำหลายครั้ง

จากคลาส org.tensorflow.framework.metrics.impl.Reduce

ตัวแปร <T>	รับการนับ () รับตัวแปรการนับ
คลาส<T>	รับประเภทผลลัพธ์ () รับประเภทของตัวแปร
ตัวแปร <T>	รับผลรวม () รับค่าตัวแปรรวม
ปฏิบัติการ	รีเซ็ตสถานะ () รีเซ็ตตัวแปรสถานะใดๆ ให้เป็นค่าเริ่มต้น
ตัวดำเนินการ <T>	ผลลัพธ์ () รับผลลัพธ์ปัจจุบันของเมตริก
รายการ< ปฏิบัติการ >	updateStateList ( ตัวดำเนินการ <? ขยาย TNumber > ค่า ตัวดำเนินการ <? ขยาย TNumber > SampleWeights) อัพเดตตัวแปรเมทริกตามอินพุต

จากคลาส org.tensorflow.framework.metrics.Metric

ตัวดำเนินการ สุดท้าย <T>	callOnce ( ตัวดำเนินการ <? ขยาย TNumber > ค่า, ตัวดำเนินการ <? ขยาย TNumber > SampleWeights) เรียกสถานะการอัปเดตหนึ่งครั้ง ตามด้วยการโทรเพื่อรับผลลัพธ์
สตริง	รับชื่อ () รับชื่อของเมตริกนี้
ยาว	รับเมล็ดพันธุ์ () รับค่าเมล็ดตัวสร้างตัวเลขสุ่ม
ปฏิบัติการ	getTF () รับ Ops TensorFlow
บทคัดย่อ Op	รีเซ็ตสถานะ () รีเซ็ตตัวแปรสถานะใดๆ ให้เป็นค่าเริ่มต้น
ตัวดำเนินการ นามธรรม <T>	ผลลัพธ์ () รับผลลัพธ์ปัจจุบันของเมตริก
ปฏิบัติการ สุดท้าย	updateState ( ตัวดำเนินการ <? ขยาย TNumber > ป้ายกำกับ, ตัวดำเนินการ <? ขยาย TNumber > การคาดคะเน, ตัวดำเนินการ <? ขยาย TNumber > ตัวอย่างน้ำหนัก) สร้างการดำเนินการ NoOp ที่มีการขึ้นต่อกันของการควบคุมเพื่ออัปเดตสถานะหน่วยเมตริก
ปฏิบัติการ สุดท้าย	updateState ( ตัวดำเนินการ <? ขยาย TNumber > ค่า ตัวดำเนินการ <? ขยาย TNumber > SampleWeights) สร้างการดำเนินการ NoOp ที่มีการขึ้นต่อกันของการควบคุมเพื่ออัปเดตสถานะหน่วยเมตริก
รายการ< ปฏิบัติการ >	updateStateList ( ตัวดำเนินการ <? ขยาย TNumber > ป้ายกำกับ, ตัวดำเนินการ <? ขยาย TNumber > การคาดคะเน, ตัวดำเนินการ <? ขยาย TNumber > ตัวอย่างน้ำหนัก) สร้างรายการการดำเนินการเพื่ออัปเดตสถานะเมตริกตามป้ายกำกับและการคาดคะเน
รายการ< ปฏิบัติการ >	updateStateList ( ตัวดำเนินการ <? ขยาย TNumber > ค่า ตัวดำเนินการ <? ขยาย TNumber > SampleWeights) สร้างรายการการดำเนินการเพื่ออัปเดตสถานะเมตริกตามค่าอินพุต

จากคลาส java.lang.Object

บูลีน	เท่ากับ (วัตถุ arg0)
คลาสสุดท้าย<?>	รับคลาส ()
ภายใน	แฮชโค้ด ()
โมฆะสุดท้าย	แจ้ง ()
โมฆะสุดท้าย	แจ้งทั้งหมด ()
สตริง	toString ()
โมฆะสุดท้าย	รอสักครู่ (ยาว arg0, int arg1)
โมฆะสุดท้าย	รอ (ยาว arg0)
โมฆะสุดท้าย	รอ ()

จากอินเทอร์เฟซ org.tensorflow.framework.metrics.impl.LossMetric

ตัวดำเนินการ นามธรรม <T>

คำนวณการสูญเสียน้ำหนักระหว่าง labels และ predictions

คอนสตรัคชั่นสาธารณะ

สาธารณะ CategoricalCrossentropy (Ops tf ชื่อสตริง บูลีนจาก Logits ป้ายกำกับโฟลตให้เรียบ เมล็ดยาว ชนิดคลาส <T>)

ใช้ CHANNELS_LAST สำหรับแกนช่อง

พารามิเตอร์

ไม่	Ops ของ TensorFlow
ชื่อ	ชื่อของตัวชี้วัดนี้ หากเป็นค่าว่าง ชื่อตัวชี้วัดจะเป็น `getSimpleName()`
จากLogits	ว่าจะตีความการคาดการณ์ว่าเป็นเมตริกซ์ของค่า logit หรือตรงข้ามกับการแจกแจงความน่าจะเป็นหรือไม่
ฉลากปรับให้เรียบ	ค่าที่ใช้ในการปรับฉลากให้เรียบ เมื่อ > 0 ค่าฉลากจะถูกปรับให้เรียบ หมายความว่าความมั่นใจในค่าฉลากจะผ่อนคลายลง เช่น `labelSmoothing=0.2` หมายความว่าเราจะใช้ค่า `0.1` สำหรับป้ายกำกับ `0` และ `0.9` สำหรับป้ายกำกับ `1`
เมล็ดพันธุ์	เมล็ดพันธุ์สำหรับการสร้างตัวเลขสุ่ม เครื่องมือเริ่มต้นที่สร้างขึ้นด้วยเมล็ดที่กำหนดจะสร้างเทนเซอร์แบบสุ่มแบบเดียวกันเสมอสำหรับรูปร่างและประเภทข้อมูลที่กำหนด
พิมพ์	ประเภทของตัวแปรและผลลัพธ์

สาธารณะ CategoricalCrossentropy (Ops tf ชื่อสตริง บูลีนจาก Logits ป้ายกำกับโฟลตให้เรียบ แกน int เมล็ดยาว ประเภทคลาส <T>)

พารามิเตอร์

ไม่	Ops ของ TensorFlow
ชื่อ	ชื่อของตัวชี้วัดนี้ หากเป็นค่าว่าง ชื่อตัวชี้วัดจะเป็น `getSimpleName()`
จากLogits	ว่าจะตีความการคาดการณ์เป็นเทนเซอร์ของค่า logit แทนการแจกแจงความน่าจะเป็นหรือไม่
ฉลากปรับให้เรียบ	ค่าที่ใช้ในการปรับฉลากให้เรียบ เมื่อ > 0 ค่าฉลากจะถูกปรับให้เรียบ หมายความว่าความมั่นใจในค่าฉลากจะผ่อนคลายลง เช่น `labelSmoothing=0.2` หมายความว่าเราจะใช้ค่า `0.1` สำหรับป้ายกำกับ `0` และ `0.9` สำหรับป้ายกำกับ `1`
แกน	Int ระบุแกนช่อง `axis= CHANNELS_LAST` สอดคล้องกับรูปแบบข้อมูล `channels_last` และ `axis= CHANNELS_FIRST` สอดคล้องกับรูปแบบข้อมูล `channels_first`
เมล็ดพันธุ์	เมล็ดพันธุ์สำหรับการสร้างตัวเลขสุ่ม เครื่องมือเริ่มต้นที่สร้างขึ้นด้วยเมล็ดที่กำหนดจะสร้างเทนเซอร์แบบสุ่มแบบเดียวกันเสมอสำหรับรูปร่างและประเภทข้อมูลที่กำหนด
พิมพ์	ประเภทของตัวแปรและผลลัพธ์

วิธีการสาธารณะ

ตัวดำเนินการ สาธารณะ <T> โทร ( ตัวดำเนินการ <? ขยาย TNumber > ป้ายกำกับ, ตัวดำเนินการ <? ขยาย TNumber > การคาดการณ์)

คำนวณการสูญเสียน้ำหนักระหว่าง labels และ predictions

พารามิเตอร์

ฉลาก	ค่าความจริงหรือป้ายกำกับ
การคาดการณ์	การคาดการณ์

การส่งคืน

การสูญเสีย