TensorFlow กลับมาที่ Google I/O ในวันที่ 14 พฤษภาคม!
สมัครตอนนี้
MeanMetricWrapper
จัดทุกอย่างให้เป็นระเบียบอยู่เสมอด้วยคอลเล็กชัน
บันทึกและจัดหมวดหมู่เนื้อหาตามค่ากำหนดของคุณ
คลาสย่อยโดยตรงที่รู้จัก BinaryCrossentropy <T ขยาย TNumber >, CategoricalCrossentropy <T ขยาย TNumber >, CategoricalHinge <T ขยาย TNumber >, CosineSimilarity <T ขยาย TNumber >, บานพับ <T ขยาย TNumber >, KLDivergence <T ขยาย TNumber >, LogCoshError <T ขยาย TNumber >, MeanAbsoluteError <T ขยาย TNumber >, MeanAbsolutePercentageError <T ขยาย TNumber >, MeanSquaredError <T ขยาย TNumber >, MeanSquaredLogarithmicError <T ขยาย TNumber >, ปัวซอง <T ขยาย TNumber >, SparseCategoricalCrossentropy <T ขยาย TNumber >, SquaredHinge <T ขยาย TNumber > BinaryCrossentropy <T ขยาย TNumber > | ตัวชี้วัดที่คำนวณการสูญเสียข้ามเอนโทรปีแบบไบนารีระหว่างป้ายกำกับที่แท้จริงและป้ายกำกับที่คาดการณ์ไว้ | ประเภท Crossentropy <T ขยาย TNumber > | หน่วยวัดที่คำนวณการสูญเสียเอนโทรปีข้ามหมวดหมู่ระหว่างป้ายกำกับที่แท้จริงและป้ายกำกับที่คาดการณ์ไว้ | CategoricalHinge <T ขยาย TNumber > | หน่วยวัดที่คำนวณหน่วยวัดการสูญเสียบานพับตามหมวดหมู่ระหว่างป้ายกำกับและการคาดคะเน | CosineSimilarity <T ขยาย TNumber > | หน่วยเมตริกที่คำนวณหน่วยวัดความคล้ายคลึงโคไซน์ระหว่างป้ายกำกับและการคาดคะเน | บานพับ <T ขยาย TNumber > | หน่วยวัดที่คำนวณหน่วยวัดการสูญเสียบานพับระหว่างป้ายกำกับและการคาดคะเน | KDivergence <T ขยาย TNumber > | หน่วยวัดที่คำนวณหน่วยวัดการสูญเสียความแตกต่างระหว่าง Kullback-Leibler ระหว่างป้ายกำกับและการคาดการณ์ | LogCoshError <T ขยาย TNumber > | หน่วยเมตริกที่คำนวณลอการิทึมของโคไซน์ไฮเปอร์โบลิกของหน่วยเมตริกข้อผิดพลาดในการทำนายระหว่างป้ายกำกับและการคาดคะเน | MeanAbsoluteError <T ขยาย TNumber > | เมตริกที่คำนวณค่าเฉลี่ยของความแตกต่างสัมบูรณ์ระหว่างป้ายกำกับและการคาดคะเน | MeanAbsolutePercentageError <T ขยาย TNumber > | เมตริกที่คำนวณค่าเฉลี่ยของความแตกต่างสัมบูรณ์ระหว่างป้ายกำกับและการคาดคะเน | MeanSquaredError <T ขยาย TNumber > | เมตริกที่คำนวณค่าเฉลี่ยของความแตกต่างสัมบูรณ์ระหว่างป้ายกำกับและการคาดคะเน | MeanSquaredLogarithmicError <T ขยาย TNumber > | เมตริกที่คำนวณค่าเฉลี่ยของความแตกต่างสัมบูรณ์ระหว่างป้ายกำกับและการคาดคะเน | ปัวซอง <T ขยาย TNumber > | หน่วยวัดที่คำนวณหน่วยวัดการสูญเสียปัวซองระหว่างป้ายกำกับและการคาดคะเน | SparseCategoricalCrossentropy <T ขยาย TNumber > | หน่วยเมตริกที่คำนวณการสูญเสียข้ามเอนโทรปีแบบกระจัดกระจายระหว่างป้ายกำกับที่แท้จริงและป้ายกำกับที่คาดการณ์ | SquaredHinge <T ขยาย TNumber > | หน่วยเมตริกที่คำนวณหน่วยวัดการสูญเสียบานพับกำลังสองระหว่างป้ายกำกับและการคาดคะเน |
|
คลาสที่เชื่อมโยงฟังก์ชันการสูญเสียไร้สถานะกับเมตริก Mean
โดยใช้การลด WEIGHTED_MEAN
ฟังก์ชันการสูญเสียจะคำนวณการสูญเสียระหว่าง labels
และ predictions
จากนั้นส่งการสูญเสียนี้ไปยังเมตริก Mean
เพื่อคำนวณค่าเฉลี่ยถ่วงน้ำหนักของการสูญเสียในการวนซ้ำหรือยุคต่างๆ
วิธีการสืบทอด
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 () |
วิธีการสาธารณะ
สร้างการดำเนินการที่อัปเดตสถานะของหน่วยเมตริกเฉลี่ย โดยการเรียกใช้ฟังก์ชันการสูญเสียและส่งการสูญเสียไปยังหน่วยเมตริกเฉลี่ย เพื่อคำนวณค่าเฉลี่ยถ่วงน้ำหนักของการสูญเสียในการวนซ้ำหลายครั้ง
พารามิเตอร์
ฉลาก | ค่าความจริงหรือป้ายกำกับ |
---|
การคาดการณ์ | การคาดการณ์ |
---|
ตัวอย่างน้ำหนัก | SampleWeights ที่เป็นตัวเลือกจะทำหน้าที่เป็นสัมประสิทธิ์การสูญเสีย หากมีการระบุสเกลาร์ การสูญเสียก็จะถูกปรับขนาดตามค่าที่กำหนด หาก SampleWeights เป็นเทนเซอร์ที่มีขนาด [batch_size] ค่าที่สูญเสียทั้งหมดสำหรับตัวอย่างแต่ละตัวอย่างในแบตช์จะถูกปรับขนาดใหม่โดยองค์ประกอบที่เกี่ยวข้องในเวกเตอร์ SampleWeights หากรูปร่างของ SampleWeights คือ [batch_size, d0, .. dN-1] (หรือสามารถถ่ายทอดไปยังรูปร่างนี้ได้) ดังนั้น องค์ประกอบที่สูญเสียแต่ละรายการของการคาดการณ์จะถูกปรับขนาดตามค่าที่สอดคล้องกันของ exampleWeights (หมายเหตุสำหรับ dN-1: ฟังก์ชันการสูญเสียทั้งหมดลดลง 1 มิติ โดยปกติจะเป็นแกน=-1) |
---|
การส่งคืน
- รายการการดำเนินการควบคุมที่อัพเดตตัวแปรสถานะ Mean
เนื้อหาของหน้าเว็บนี้ได้รับอนุญาตภายใต้ใบอนุญาตที่ต้องระบุที่มาของครีเอทีฟคอมมอนส์ 4.0 และตัวอย่างโค้ดได้รับอนุญาตภายใต้ใบอนุญาต Apache 2.0 เว้นแต่จะระบุไว้เป็นอย่างอื่น โปรดดูรายละเอียดที่นโยบายเว็บไซต์ Google Developers Java เป็นเครื่องหมายการค้าจดทะเบียนของ Oracle และ/หรือบริษัทในเครือ
อัปเดตล่าสุด 2023-12-01 UTC
[{
"type": "thumb-down",
"id": "missingTheInformationINeed",
"label":"ไม่มีข้อมูลที่ฉันต้องการ"
},{
"type": "thumb-down",
"id": "tooComplicatedTooManySteps",
"label":"ซับซ้อนเกินไป/มีหลายขั้นตอนมากเกินไป"
},{
"type": "thumb-down",
"id": "outOfDate",
"label":"ล้าสมัย"
},{
"type": "thumb-down",
"id": "translationIssue",
"label":"ปัญหาเกี่ยวกับการแปล"
},{
"type": "thumb-down",
"id": "samplesCodeIssue",
"label":"ตัวอย่าง/ปัญหาเกี่ยวกับโค้ด"
},{
"type": "thumb-down",
"id": "otherDown",
"label":"อื่นๆ"
}]
[{
"type": "thumb-up",
"id": "easyToUnderstand",
"label":"เข้าใจง่าย"
},{
"type": "thumb-up",
"id": "solvedMyProblem",
"label":"แก้ปัญหาของฉันได้"
},{
"type": "thumb-up",
"id": "otherUp",
"label":"อื่นๆ"
}]