Conozca lo último en aprendizaje automático, IA generativa y más en el
Simposio WiML 2023.
MeanMetricWrapper
Organiza tus páginas con colecciones
Guarda y categoriza el contenido según tus preferencias.
Subclases directas conocidas BinaryCrossentropy <T extiende TNumber >, CategoricalCrossentropy <T extiende TNumber >, CategoricalHinge <T extiende TNumber >, CosineSimilarity <T extiende TNumber >, Hinge <T extiende TNumber >, KLDivergence <T extiende TNumber >, LogCoshError <T extiende TNumber >, r <T extiende TNumber >, MeanAbsolutePercentageError <T extiende TNumber >, MeanSquaredError <T extiende TNumber >, MeanSquaredLogarithmicError <T extiende TNumber >, Poisson <T extiende TNumber >, SparseCategoricalCrossentropy <T extiende TNumber >, SquaredHinge <T extiende TNumber >, SquaredHinge < BinaryCrossentropy <T extiende TNumber > | Métrica que calcula la pérdida de entropía cruzada binaria entre etiquetas verdaderas y etiquetas predichas. | CategoricalCrossentropy <T extiende TNumber > | Métrica que calcula la pérdida de entropía cruzada categórica entre etiquetas verdaderas y etiquetas predichas. | CategoricalHinge <T se extiende a TNumber > | Métrica que calcula la métrica de pérdida de bisagra categórica entre etiquetas y predicciones. | CosineSimilarity <T extiende TNumber > | Métrica que calcula la métrica de similitud de coseno entre etiquetas y predicciones. | Bisagra <T extiende TNumber > | Métrica que calcula la métrica de pérdida de bisagra entre etiquetas y predicciones. | KLDivergencia <T extiende TNumber > | Métrica que calcula la métrica de pérdida por divergencia de Kullback-Leibler entre etiquetas y predicciones. | LogCoshError <T extiende TNumber > | Métrica que calcula el logaritmo del coseno hiperbólico de la métrica del error de predicción entre etiquetas y predicciones. | MeanAbsoluteError <T se extiende a TNumber > | Métrica que calcula la media de la diferencia absoluta entre etiquetas y predicciones. | MeanAbsolutePercentageError <T se extiende a TNumber > | Métrica que calcula la media de la diferencia absoluta entre etiquetas y predicciones. | MeanSquaredError <T se extiende a TNumber > | Métrica que calcula la media de la diferencia absoluta entre etiquetas y predicciones. | MeanSquaredLogarithmicError <T se extiende a TNumber > | Métrica que calcula la media de la diferencia absoluta entre etiquetas y predicciones. | Poisson <T extiende TNumber > | Métrica que calcula la métrica de pérdida de Poisson entre etiquetas y predicciones. | SparseCategoricalCrossentropy <T extiende TNumber > | Una métrica que calcula la pérdida de entropía cruzada categórica dispersa entre etiquetas verdaderas y etiquetas predichas. | SquaredHinge <T extiende TNumber > | Métrica que calcula la métrica de pérdida de bisagra al cuadrado entre etiquetas y predicciones. |
|
Una clase que une una función de pérdida sin estado con la métrica Mean
mediante una reducción de WEIGHTED_MEAN
.
La función de pérdida calcula la pérdida entre las labels
y las predictions
y luego pasa esta pérdida a la métrica Mean
para calcular la media ponderada de la pérdida durante muchas iteraciones o épocas.
Métodos públicos
LossMetric <T> | getLoss () Obtiene la función de pérdida. |
Lista < Op > | updateStateList ( operando <? extiende TNumber > etiquetas, operando <? extiende TNumber > predicciones, operando <? extiende TNumber > sampleWeights) Crea operaciones que actualizan el estado de la métrica media, llamando a la función de pérdida y pasando la pérdida a la métrica Media para calcular la media ponderada de la pérdida en muchas iteraciones. |
Métodos heredados
De la clase java.lang.Object booleano | es igual a (Objeto arg0) |
Clase final <?> | getClass () |
En t | hashCode () |
vacío final | notificar () |
vacío final | notificar a todos () |
Cuerda | toString () |
vacío final | esperar (largo arg0, int arg1) |
vacío final | espera (largo arg0) |
vacío final | esperar () |
Métodos públicos
public LossMetric <T> getLoss ()
Obtiene la función de pérdida.
Public List < Op > updateStateList ( operando <? extiende TNumber > etiquetas, operando <? extiende TNumber > predicciones, operando <? extiende TNumber > sampleWeights)
Crea operaciones que actualizan el estado de la métrica media, llamando a la función de pérdida y pasando la pérdida a la métrica Media para calcular la media ponderada de la pérdida en muchas iteraciones.
Parámetros
etiquetas | los valores de verdad o etiquetas |
---|
predicciones | las predicciones |
---|
sampleWeights | SampleWeights opcional actúa como un coeficiente para la pérdida. Si se proporciona un escalar, entonces la pérdida simplemente se escala por el valor dado. Si sampleWeights es un tensor de tamaño [batch_size], entonces la pérdida total para cada muestra del lote se reescala por el elemento correspondiente en el vector sampleWeights. Si la forma de sampleWeights es [batch_size, d0, .. dN-1] (o puede transmitirse con esta forma), entonces cada elemento de pérdida de las predicciones se escala por el valor correspondiente de sampleWeights. (Nota sobre dN-1: todas las funciones de pérdida se reducen en 1 dimensión, generalmente eje = -1). |
---|
Devoluciones
- a Lista de operaciones de control que actualiza las variables de estado Media.
Salvo que se indique lo contrario, el contenido de esta página está sujeto a la licencia Atribución 4.0 de Creative Commons, y los ejemplos de código están sujetos a la licencia Apache 2.0. Para obtener más información, consulta las políticas del sitio de Google Developers. Java es una marca registrada de Oracle o sus afiliados.
Última actualización: 2021-04-01 (UTC)
[{
"type": "thumb-down",
"id": "missingTheInformationINeed",
"label":"Falta la información que necesito"
},{
"type": "thumb-down",
"id": "tooComplicatedTooManySteps",
"label":"Muy complicado o demasiados pasos"
},{
"type": "thumb-down",
"id": "outOfDate",
"label":"Desactualizado"
},{
"type": "thumb-down",
"id": "translationIssue",
"label":"Problema de traducción"
},{
"type": "thumb-down",
"id": "samplesCodeIssue",
"label":"Problema con las muestras o los códigos"
},{
"type": "thumb-down",
"id": "otherDown",
"label":"Otro"
}]
[{
"type": "thumb-up",
"id": "easyToUnderstand",
"label":"Fácil de comprender"
},{
"type": "thumb-up",
"id": "solvedMyProblem",
"label":"Resolvió mi problema"
},{
"type": "thumb-up",
"id": "otherUp",
"label":"Otro"
}]