MeanMetricWrapper
با مجموعهها، منظم بمانید
ذخیره و دستهبندی محتوا براساس اولویتهای شما.
زیر کلاس های مستقیم شناخته شده BinaryCrossentropy <T TNumber > را گسترش می دهد | یک متریک که افت آنتروپی متقاطع باینری را بین برچسب های واقعی و برچسب های پیش بینی شده محاسبه می کند. | CategoryCrossentropy <T تعداد TNumber را گسترش می دهد | متریکی که افت آنتروپی متقاطع بین برچسب های واقعی و برچسب های پیش بینی شده را محاسبه می کند. | CategoryHinge <T تعداد TNumber را گسترش می دهد | متریکی که متریک از دست دادن لولا را بین برچسب ها و پیش بینی ها محاسبه می کند. | CosineSimilarity <T TNumber > را گسترش می دهد | معیاری که متریک شباهت کسینوس بین برچسب ها و پیش بینی ها را محاسبه می کند. | لولا <T TNumber > را گسترش می دهد | معیاری که معیار تلفات لولا را بین برچسب ها و پیش بینی ها محاسبه می کند. | KLDvergence <T تعداد TNumber را گسترش می دهد | معیاری که معیار تلفات واگرایی Kullback-Leibler را بین برچسب ها و پیش بینی ها محاسبه می کند. | LogCoshError <T TNumber را گسترش می دهد > | متریکی که لگاریتم کسینوس هذلولی متریک خطای پیشبینی را بین برچسبها و پیشبینیها محاسبه میکند. | MeanAbsoluteError <T TNumber را گسترش می دهد > | معیاری که میانگین تفاوت مطلق بین برچسب ها و پیش بینی ها را محاسبه می کند. | MeanAbsolutePercentageError <T TNumber را گسترش می دهد | معیاری که میانگین تفاوت مطلق بین برچسب ها و پیش بینی ها را محاسبه می کند. | MeanSquaredError <T TNumber را گسترش می دهد > | معیاری که میانگین تفاوت مطلق بین برچسب ها و پیش بینی ها را محاسبه می کند. | MeanSquaredLogarithmicError <T TNumber را گسترش می دهد | معیاری که میانگین تفاوت مطلق بین برچسب ها و پیش بینی ها را محاسبه می کند. | پواسون < TNumber > را گسترش می دهد | معیاری که متریک تلفات پواسون را بین برچسب ها و پیش بینی ها محاسبه می کند. | SparseCategoricalCrossentropy <T تعداد TNumber را گسترش می دهد | معیاری که افت آنتروپی متقاطع طبقهای پراکنده بین برچسبهای واقعی و برچسبهای پیشبینیشده را محاسبه میکند. | SquaredHinge <T تعداد TNumber را گسترش می دهد | معیاری که متریک تلفات لولای مجذور بین برچسب ها و پیش بینی ها را محاسبه می کند. |
|
کلاسی که با استفاده از کاهش WEIGHTED_MEAN
یک تابع ضرر بدون حالت را با متریک Mean
پیوند میدهد.
تابع ضرر تلفات بین labels
و predictions
را محاسبه میکند و سپس این تلفات را به متریک Mean
منتقل میکند تا میانگین وزنی ضرر را در بسیاری از تکرارها یا دورهها محاسبه کند.
روش های ارثی
از کلاس java.lang.Object بولی | برابر است (شیء arg0) |
کلاس نهایی<?> | getClass () |
بین المللی | هش کد () |
باطل نهایی | اعلام کردن () |
باطل نهایی | اطلاع رسانی به همه () |
رشته | toString () |
باطل نهایی | صبر کنید (long arg0، int arg1) |
باطل نهایی | صبر کنید (طولانی arg0) |
باطل نهایی | صبر کن () |
روش های عمومی
عمومی LossMetric <T> getLoss ()
تابع ضرر را دریافت می کند.
فهرست عمومی< Op > updateStateList ( Operand <? گسترش TNumber > برچسب ها، Operand <? گسترش TNumber > پیش بینی ها، Operand <? گسترش TNumber > نمونه Weights)
عملیاتی را ایجاد می کند که وضعیت میانگین متریک را با فراخوانی تابع ضرر و ارسال ضرر به متریک میانگین برای محاسبه میانگین وزنی از دست دادن طی چندین تکرار ایجاد می کند.
مولفه های
برچسب ها | ارزش ها یا برچسب های حقیقت |
---|
پیش بینی ها | پیش بینی ها |
---|
وزن نمونه | نمونه اختیاری Weights به عنوان ضریب ضرر عمل می کند. اگر یک اسکالر ارائه شود، ضرر به سادگی با مقدار داده شده مقیاس می شود. اگر sampleWeights یک تانسور اندازه [batch_size] باشد، آنگاه اتلاف کل برای هر نمونه از دسته توسط عنصر مربوطه در بردار sampleWeights دوباره مقیاس میشود. اگر شکل نمونهها [بچ_اندازه، d0، .. dN-1] باشد (یا میتوان به این شکل پخش کرد)، آنگاه هر عنصر از دست دادن پیشبینیها با مقدار مربوط به نمونهوزنها مقیاسبندی میشود. (توجه به dN-1: تمام توابع تلفات 1 بعد کاهش می یابد، معمولاً محور =-1.) |
---|
برمی گرداند
- فهرستی از عملیات کنترلی که متغیرهای حالت میانگین را به روز می کند.
جز در مواردی که غیر از این ذکر شده باشد،محتوای این صفحه تحت مجوز Creative Commons Attribution 4.0 License است. نمونه کدها نیز دارای مجوز Apache 2.0 License است. برای اطلاع از جزئیات، به خطمشیهای سایت Google Developers مراجعه کنید. جاوا علامت تجاری ثبتشده Oracle و/یا شرکتهای وابسته به آن است.
تاریخ آخرین بهروزرسانی 2023-12-01 بهوقت ساعت هماهنگ جهانی.
[{
"type": "thumb-down",
"id": "missingTheInformationINeed",
"label":"اطلاعاتی که نیاز دارم وجود ندارد"
},{
"type": "thumb-down",
"id": "tooComplicatedTooManySteps",
"label":"بیشازحد پیچیده/ مراحل بسیار زیاد"
},{
"type": "thumb-down",
"id": "outOfDate",
"label":"قدیمی"
},{
"type": "thumb-down",
"id": "translationIssue",
"label":"مشکل ترجمه"
},{
"type": "thumb-down",
"id": "samplesCodeIssue",
"label":"مشکل کد / نمونهها"
},{
"type": "thumb-down",
"id": "otherDown",
"label":"غیره"
}]
[{
"type": "thumb-up",
"id": "easyToUnderstand",
"label":"درک آسان"
},{
"type": "thumb-up",
"id": "solvedMyProblem",
"label":"مشکلم را برطرف کرد"
},{
"type": "thumb-up",
"id": "otherUp",
"label":"غیره"
}]