BinaryCrossentropy

کلاس عمومی BinaryCrossentropy

افت آنتروپی متقاطع بین برچسب های واقعی و برچسب های پیش بینی شده را محاسبه می کند.

از این تلفات آنتروپی متقابل زمانی استفاده کنید که فقط دو کلاس برچسب وجود دارد (فرض می شود 0 و 1 باشد). برای هر مثال، باید یک مقدار ممیز شناور در هر پیش‌بینی وجود داشته باشد.

استفاده مستقل:

    Operand<TFloat32> labels =
        tf.constant(new float[][] { {0.f, 1.f}, {0.f, 0.f} });
    Operand<TFloat32> predictions =
        tf.constant(new float[][] { {0.6f, 0.4f}, {0.4f, 0.6f} });
    BinaryCrossentropy bce = new BinaryCrossentropy(tf);
    Operand<TFloat32> result = bce.call(labels, predictions);
    // produces 0.815
 

تماس با وزن نمونه:

    Operand<TFloat32> sampleWeight = tf.constant(new float[] {1.f, 0.f});
    Operand<TFloat32> result = bce.call(labels, predictions, sampleWeight);
    // produces 0.458f
 

با استفاده از نوع کاهش SUM :

    BinaryCrossentropy bce = new BinaryCrossentropy(tf, Reduction.SUM);
    Operand<TFloat32> result = bce.call(labels, predictions);
    // produces 1.630f
 

با استفاده از نوع کاهش NONE :

    BinaryCrossentropy bce = new BinaryCrossentropy(tf, Reduction.NONE);
    Operand<TFloat32> result = bce.call(labels, predictions);
    // produces [0.916f, 0.714f]
 

ثابت ها

بولی	FROM_LOGITS_DEFAULT
شناور	LABEL_SMOOTHING_DEFAULT

فیلدهای ارثی

از کلاس org.tensorflow.framework.losses.loss

کاهش نهایی استاتیک عمومی

REDUCTION_DEFAULT

سازندگان عمومی

	BinaryCrossentropy (Ops tf) با استفاده از getSimpleName() به عنوان نام ضرر، FROM_LOGITS_DEFAULT برای fromLogits، LABEL_SMOOTHING_DEFAULT برای labelSmoothing و کاهش تلفات REDUCTION_DEFAULT یک افت متقاطع باینری ایجاد می کند.
	BinaryCrossentropy (Ops tf، کاهش کاهش) با استفاده از getSimpleName() به عنوان نام ضرر، FROM_LOGITS_DEFAULT برای fromLogits و LABEL_SMOOTHING_DEFAULT برای labelSmoothing، یک ضرر متقاطع باینری ایجاد می‌کند.
	BinaryCrossentropy (Ops tf، Boolean fromLogits) با استفاده از getSimpleName() به عنوان نام ضرر، labelSmoothing LABEL_SMOOTHING_DEFAULT ، کاهش REDUCTION_DEFAULT ، یک ضرر متقاطع باینری ایجاد می کند،
	BinaryCrossentropy (Ops tf، نام رشته، Boolean fromLogits) با استفاده از labelSmoothing LABEL_SMOOTHING_DEFAULT با کاهش REDUCTION_DEFAULT یک تلفات متقاطع باینری ایجاد می کند.
	BinaryCrossentropy (Ops tf، Boolean fromLogits، float labelSmoothing) با استفاده از getSimpleName() به عنوان نام ضرر و کاهش REDUCTION_DEFAULT ، یک ضرر متقاطع باینری ایجاد می کند.
	BinaryCrossentropy (Ops tf، نام رشته، Boolean fromLogits، float labelSmoothing) با استفاده از کاهش REDUCTION_DEFAULT ، تلفات متقاطع باینری ایجاد می کند.
	BinaryCrossentropy (Ops tf، Boolean fromLogits، float labelSmoothing، Reduction Reduction) یک ضرر متقاطع باینری ایجاد می کند
	BinaryCrossentropy (Ops tf، نام رشته، منطقی از Logits، برچسب شناور صاف کردن، کاهش کاهش ) یک ضرر متقاطع باینری ایجاد می کند

روش های عمومی

<T TNumber > عملوند <T> را گسترش می دهد

فراخوانی ( عملوند <? TNumber > برچسب‌ها را گسترش می‌دهد، پیش‌بینی‌های عملوند <T>، نمونه وزن‌های عملوند <T>) یک عملوند تولید می کند که ضرر را محاسبه می کند.

روش های ارثی

از کلاس org.tensorflow.framework.losses.loss

چکیده <T TNumber > عملوند <T> را گسترش می دهد	فراخوانی ( عملوند <? TNumber > برچسب‌ها را گسترش می‌دهد، پیش‌بینی‌های عملوند <T>، نمونه وزن‌های عملوند <T>) یک عملوند تولید می کند که ضرر را محاسبه می کند.
<T TNumber > عملوند <T> را گسترش می دهد	فراخوانی ( عملوند <? TNumber > برچسب ها را گسترش می دهد، پیش بینی های عملوند <T>) ضرر را محاسبه می کند
کاهش	دریافت کاهش () کاهش ضرر را دریافت می کند
عملیات	getTF () TensorFlow Ops را دریافت می کند

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 ()

ثابت ها

بولین نهایی ثابت عمومی FROM_LOGITS_DEFAULT

مقدار ثابت: نادرست

شناور نهایی ثابت عمومی LABEL_SMOOTHING_DEFAULT

مقدار ثابت: 0.0

سازندگان عمومی

عمومی BinaryCrossentropy (Ops tf)

با استفاده از getSimpleName() به عنوان نام ضرر، FROM_LOGITS_DEFAULT برای fromLogits، LABEL_SMOOTHING_DEFAULT برای labelSmoothing و کاهش تلفات REDUCTION_DEFAULT یک افت متقاطع باینری ایجاد می کند.

مولفه های

tf	TensorFlow Ops

باینری کراسسنتروپی عمومی (Ops tf، کاهش کاهش )

با استفاده از getSimpleName() به عنوان نام ضرر، FROM_LOGITS_DEFAULT برای fromLogits و LABEL_SMOOTHING_DEFAULT برای labelSmoothing، یک ضرر متقاطع باینری ایجاد می‌کند.

مولفه های

tf	TensorFlow Ops
کاهش	نوع کاهش برای اعمال زیان.

عمومی BinaryCrossentropy (Ops tf، Boolean fromLogits)

با استفاده از getSimpleName() به عنوان نام ضرر، labelSmoothing LABEL_SMOOTHING_DEFAULT ، کاهش REDUCTION_DEFAULT ، یک ضرر متقاطع باینری ایجاد می کند،

مولفه های

tf	TensorFlow Ops
از لاجیتز	اینکه آیا پیش‌بینی‌ها را به عنوان تانسور مقادیر لاجیت تفسیر کنیم

عمومی BinaryCrossentropy (Ops tf، نام رشته، منطقی از Logits)

با استفاده از labelSmoothing LABEL_SMOOTHING_DEFAULT با کاهش REDUCTION_DEFAULT یک تلفات متقاطع باینری ایجاد می کند.

مولفه های

tf	TensorFlow Ops
نام	نام باخت
از لاجیتز	اینکه آیا پیش‌بینی‌ها را به عنوان تانسور مقادیر لاجیت تفسیر کنیم

عمومی BinaryCrossentropy (Ops tf، Boolean fromLogits، float labelSmoothing)

با استفاده از getSimpleName() به عنوان نام ضرر و کاهش REDUCTION_DEFAULT ، یک ضرر متقاطع باینری ایجاد می کند.

مولفه های

tf	TensorFlow Ops
از لاجیتز	اینکه آیا پیش‌بینی‌ها را به عنوان تانسور مقادیر لاجیت تفسیر کنیم
برچسب صاف کردن	یک عدد در محدوده، [0، 1]. وقتی 0 باشد، هموارسازی اتفاق نمی افتد. وقتی > 0 باشد، تلفات بین برچسب‌های پیش‌بینی‌شده و یک نسخه هموار شده از برچسب‌های واقعی را محاسبه کنید، جایی که هموارسازی برچسب‌ها را به سمت 0.5 فشرده می‌کند. مقادیر بزرگتر labelSmoothing مربوط به هموارسازی سنگین تر است.

عمومی BinaryCrossentropy (Ops tf، نام رشته، منطقی از Logits، float labelSmoothing)

با استفاده از کاهش REDUCTION_DEFAULT ، تلفات متقاطع باینری ایجاد می کند.

مولفه های

tf	TensorFlow Ops
نام	نام باخت
از لاجیتز	اینکه آیا پیش‌بینی‌ها را به عنوان تانسور مقادیر لاجیت تفسیر کنیم
برچسب صاف کردن	یک عدد در محدوده، [0، 1]. وقتی 0 باشد، هموارسازی اتفاق نمی افتد. وقتی > 0 باشد، تلفات بین برچسب‌های پیش‌بینی‌شده و یک نسخه هموار شده از برچسب‌های واقعی را محاسبه کنید، جایی که هموارسازی برچسب‌ها را به سمت 0.5 فشرده می‌کند. مقادیر بزرگتر labelSmoothing مربوط به هموارسازی سنگین تر است.

عمومی BinaryCrossentropy (Ops tf، Boolean fromLogits، float labelSmoothing، Reduction Reduction)

یک ضرر متقاطع باینری ایجاد می کند

مولفه های

tf	TensorFlow Ops
از لاجیتز	اینکه آیا پیش‌بینی‌ها را به عنوان تانسور مقادیر لاجیت تفسیر کنیم
برچسب صاف کردن	یک عدد در محدوده، [0، 1]. وقتی 0 باشد، هموارسازی اتفاق نمی افتد. وقتی > 0 باشد، تلفات بین برچسب‌های پیش‌بینی‌شده و یک نسخه هموار شده از برچسب‌های واقعی را محاسبه کنید، جایی که هموارسازی برچسب‌ها را به سمت 0.5 فشرده می‌کند. مقادیر بزرگتر labelSmoothing مربوط به هموارسازی سنگین تر است.
کاهش	نوع کاهش برای اعمال زیان.

عمومی BinaryCrossentropy (Ops tf، نام رشته، منطقی از Logits، برچسب شناور هموارسازی، کاهش کاهش)

یک ضرر متقاطع باینری ایجاد می کند

مولفه های

tf	TensorFlow Ops
نام	نام باخت
از لاجیتز	اینکه آیا پیش‌بینی‌ها را به عنوان تانسور مقادیر لاجیت تفسیر کنیم
برچسب صاف کردن	یک عدد در محدوده، [0، 1]. وقتی 0 باشد، هموارسازی اتفاق نمی افتد. وقتی > 0 باشد، تلفات بین برچسب‌های پیش‌بینی‌شده و یک نسخه هموار شده از برچسب‌های واقعی را محاسبه کنید، جایی که هموارسازی برچسب‌ها را به سمت 0.5 فشرده می‌کند. مقادیر بزرگتر labelSmoothing مربوط به هموارسازی سنگین تر است.
کاهش	نوع کاهش برای اعمال زیان.

پرتاب می کند

IllegalArgumentException	اگر labelSmoothing در محدوده 0 - 1 نباشد.

روش های عمومی

فراخوان عمومی Operand <T> ( Operand <? TNumber > برچسب ها را گسترش می دهد، پیش بینی های Operand <T>، Operand <T> sampleWeights)

یک عملوند تولید می کند که ضرر را محاسبه می کند.

اگر در حالت Graph اجرا شود، اگر مقادیر پیش‌بینی‌ها خارج از محدوده o [0 باشند، محاسبه TFInvalidArgumentException را انجام می‌دهد. به 1.]. در حالت اشتیاق، اگر مقادیر پیش‌بینی‌ها خارج از محدوده o [0 باشند، این فراخوانی IllegalArgumentException را انجام می‌دهد. به 1.]

مولفه های

برچسب ها	ارزش ها یا برچسب های حقیقت
پیش بینی ها	پیش بینی ها، مقادیر باید در محدوده [0. به 1.] شامل.
وزن نمونه	SampleWeights اختیاری 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 با اندازه [batch_size] باشد، آنگاه تلفات کل برای هر نمونه از دسته توسط عنصر مربوطه در بردار SampleWeights مجدداً مقیاس می‌شود. اگر شکل SampleWeights [batch_size, d0, .. dN-1] باشد (یا می تواند به این شکل پخش شود)، آنگاه هر عنصر از دست دادن پیش بینی با مقدار مربوط به SampleWeights مقیاس می شود. (توجه به dN-1: تمام توابع تلفات 1 بعد کاهش می یابد، معمولاً محور =-1.)

برمی گرداند

• از دست دادن

پرتاب می کند

IllegalArgumentException	اگر پیش بینی ها خارج از محدوده [0.-1.] باشد.