MeanMetricWrapper
Restez organisé à l'aide des collections
Enregistrez et classez les contenus selon vos préférences.
Sous-classes directes connues BinaryCrossentropy <T étend TNumber >, CategoricalCrossentropy <T étend TNumber >, CategoricalHinge <T étend TNumber >, CosineSimilarity <T étend TNumber >, Hinge <T étend TNumber >, KLDivergence <T étend TNumber >, LogCoshError <T étend TNumber >, MeanAbsoluteError <T étend TNumber >, MeanAbsolutePercentageError <T étend TNumber >, MeanSquaredError <T étend TNumber >, MeanSquaredLogarithmicError <T étend TNumber >, Poisson <T étend TNumber >, SparseCategoricalCrossentropy <T étend TNumber >, SquaredHinge <T étend TNumber > BinaryCrossentropy <T étend TNumber > | Une métrique qui calcule la perte d'entropie croisée binaire entre les étiquettes réelles et les étiquettes prédites. | CategoricalCrossentropy <T étend TNumber > | Une métrique qui calcule la perte d'entropie croisée catégorielle entre les étiquettes réelles et les étiquettes prédites. | CategoricalHinge <T étend TNumber > | Une métrique qui calcule la métrique de perte de charnière catégorielle entre les étiquettes et les prédictions. | CosineSimilarity <T étend TNumber > | Métrique qui calcule la métrique de similarité cosinus entre les étiquettes et les prédictions. | Charnière <T étend TNombre > | Une métrique qui calcule la métrique de perte de charnière entre les étiquettes et les prédictions. | KLDivergence <T étend TNumber > | Une métrique qui calcule la métrique de perte de divergence Kullback-Leibler entre les étiquettes et les prédictions. | LogCoshError <T étend TNumber > | Métrique qui calcule le logarithme du cosinus hyperbolique de la métrique d’erreur de prédiction entre les étiquettes et les prédictions. | MeanAbsoluteError <T étend TNumber > | Métrique qui calcule la moyenne de la différence absolue entre les étiquettes et les prédictions. | MeanAbsolutePercentageError <T étend TNumber > | Métrique qui calcule la moyenne de la différence absolue entre les étiquettes et les prédictions. | MeanSquaredError <T étend TNumber > | Métrique qui calcule la moyenne de la différence absolue entre les étiquettes et les prédictions. | MeanSquaredLogarithmicError <T étend TNumber > | Métrique qui calcule la moyenne de la différence absolue entre les étiquettes et les prédictions. | Poisson <T étend TNumber > | Une métrique qui calcule la métrique de perte de poisson entre les étiquettes et les prédictions. | SparseCategoricalCrossentropy <T étend TNumber > | Une métrique qui calcule la perte d'entropie croisée catégorielle clairsemée entre les étiquettes réelles et les étiquettes prédites. | SquaredHinge <T étend TNumber > | Métrique qui calcule la métrique de perte de charnière carrée entre les étiquettes et les prédictions. |
|
Classe qui relie une fonction de perte sans état avec la métrique Mean
en utilisant une réduction de WEIGHTED_MEAN
.
La fonction de perte calcule la perte entre les labels
et predictions
, puis transmet cette perte à la métrique Mean
pour calculer la moyenne pondérée de la perte sur plusieurs itérations ou époques.
Méthodes publiques
LossMetric <T> | |
Liste< Op > | updateStateList ( Opérande <? étend TNumber > étiquettes, Opérande <? étend TNumber > prédictions, Opérande <? étend TNumber > sampleWeights) Crée des opérations qui mettent à jour l'état de la métrique moyenne, en appelant la fonction de perte et en transmettant la perte à la métrique moyenne pour calculer la moyenne pondérée de la perte sur plusieurs itérations. |
Méthodes héritées
De la classe java.lang.Object booléen | est égal à (Objet arg0) |
Classe finale<?> | obtenirClasse () |
int | Code de hachage () |
vide final | notifier () |
vide final | notifierTous () |
Chaîne | àChaîne () |
vide final | attendre (long arg0, int arg1) |
vide final | attendez (long arg0) |
vide final | attendez () |
Méthodes publiques
public LossMetric <T> getLoss ()
Obtient la fonction de perte.
public List< Op > updateStateList ( Operand <? extends TNumber > labels, Operand <? extends TNumber > prédictions, Operand <? extends TNumber > sampleWeights)
Crée des opérations qui mettent à jour l'état de la métrique moyenne, en appelant la fonction de perte et en transmettant la perte à la métrique moyenne pour calculer la moyenne pondérée de la perte sur plusieurs itérations.
Paramètres
Étiquettes | les valeurs ou étiquettes de vérité |
---|
prédictions | les prédictions |
---|
exemples de poids | sampleWeights facultatif agit comme un coefficient pour la perte. Si un scalaire est fourni, alors la perte est simplement adaptée à la valeur donnée. Si sampleWeights est un tenseur de taille [batch_size], alors la perte totale pour chaque échantillon du lot est redimensionnée par l'élément correspondant dans le vecteur sampleWeights. Si la forme de sampleWeights est [batch_size, d0, .. dN-1] (ou peut être diffusée sous cette forme), alors chaque élément de perte de prédictions est mis à l'échelle par la valeur correspondante de sampleWeights. (Remarque sur dN-1 : toutes les fonctions de perte sont réduites d'une dimension, généralement axis=-1.) |
---|
Retour
- une liste d'opérations de contrôle qui met à jour les variables d'état moyen.
Sauf indication contraire, le contenu de cette page est régi par une licence Creative Commons Attribution 4.0, et les échantillons de code sont régis par une licence Apache 2.0. Pour en savoir plus, consultez les Règles du site Google Developers. Java est une marque déposée d'Oracle et/ou de ses sociétés affiliées.
Dernière mise à jour le 2023/12/01 (UTC).
[{
"type": "thumb-down",
"id": "missingTheInformationINeed",
"label":"Il n'y a pas l'information dont j'ai besoin"
},{
"type": "thumb-down",
"id": "tooComplicatedTooManySteps",
"label":"Trop compliqué/Trop d'étapes"
},{
"type": "thumb-down",
"id": "outOfDate",
"label":"Obsolète"
},{
"type": "thumb-down",
"id": "translationIssue",
"label":"Problème de traduction"
},{
"type": "thumb-down",
"id": "samplesCodeIssue",
"label":"Mauvais exemple/Erreur de code"
},{
"type": "thumb-down",
"id": "otherDown",
"label":"Autre"
}]
[{
"type": "thumb-up",
"id": "easyToUnderstand",
"label":"Facile à comprendre"
},{
"type": "thumb-up",
"id": "solvedMyProblem",
"label":"J'ai pu résoudre mon problème"
},{
"type": "thumb-up",
"id": "otherUp",
"label":"Autre"
}]