Menghitung kerugian entropi silang antara label sebenarnya dan label prediksi.
Gunakan kerugian entropi silang ini ketika hanya ada dua kelas label (diasumsikan 0 dan 1). Untuk setiap contoh, harus ada satu nilai floating-point per prediksi.
Penggunaan mandiri:
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
Memanggil dengan berat sampel:
Operand<TFloat32> sampleWeight = tf.constant(new float[] {1.f, 0.f}); Operand<TFloat32> result = bce.call(labels, predictions, sampleWeight); // produces 0.458f
Menggunakan tipe pengurangan SUM
:
BinaryCrossentropy bce = new BinaryCrossentropy(tf, Reduction.SUM); Operand<TFloat32> result = bce.call(labels, predictions); // produces 1.630f
Menggunakan tipe reduksi NONE
:
BinaryCrossentropy bce = new BinaryCrossentropy(tf, Reduction.NONE); Operand<TFloat32> result = bce.call(labels, predictions); // produces [0.916f, 0.714f]
Konstanta
boolean | DARI_LOGITS_DEFAULT | |
mengambang | LABEL_SMOOTHING_DEFAULT |
Bidang Warisan
Konstruktor Publik
BinerCrossentropy (Ops tf) Membuat Kerugian Biner Crossentropy menggunakan getSimpleName() sebagai nama kerugian, FROM_LOGITS_DEFAULT untuk fromLogits, LABEL_SMOOTHING_DEFAULT untuk labelSmoothing dan Pengurangan Kerugian sebesar REDUCTION_DEFAULT | |
BinaryCrossentropy (Ops tf, Reduksi reduksi) Membuat kerugian Biner Crossentropy menggunakan getSimpleName() sebagai nama kerugian, FROM_LOGITS_DEFAULT untuk fromLogits, dan LABEL_SMOOTHING_DEFAULT untuk labelSmoothing | |
BinaryCrossentropy (Ops tf, boolean dari Logits) Membuat kerugian Biner Crossentropy menggunakan getSimpleName() sebagai nama kerugian, labelSmoothing dari LABEL_SMOOTHING_DEFAULT , pengurangan dari REDUCTION_DEFAULT , | |
BinaryCrossentropy (Ops tf, nama String, boolean fromLogits) Membuat kerugian Binary Crossentropy menggunakan labelSmoothing sebesar LABEL_SMOOTHING_DEFAULT pengurangan REDUCTION_DEFAULT . | |
BinaryCrossentropy (Ops tf, boolean fromLogits, float labelSmoothing) Membuat kerugian Biner Crossentropy menggunakan getSimpleName() sebagai nama kerugian, dan pengurangan REDUCTION_DEFAULT . | |
BinaryCrossentropy (Ops tf, Nama string, boolean fromLogits, float labelSmoothing) Membuat kerugian Biner Crossentropy menggunakan pengurangan REDUCTION_DEFAULT . | |
BinaryCrossentropy (Ops tf, boolean fromLogits, float labelSmoothing, Pengurangan pengurangan) Menciptakan kerugian Biner Crossentropy | |
BinaryCrossentropy (Ops tf, Nama string, boolean fromLogits, float labelSmoothing, Pengurangan pengurangan) Menciptakan kerugian Biner Crossentropy |
Metode Publik
<T memperluas TNomber > Operan <T> |
Metode Warisan
Konstanta
boolean akhir statis publik FROM_LOGITS_DEFAULT
float akhir statis publik LABEL_SMOOTHING_DEFAULT
Konstruktor Publik
BinerCrossentropy publik (Ops tf)
Membuat Kerugian Biner Crossentropy menggunakan getSimpleName()
sebagai nama kerugian, FROM_LOGITS_DEFAULT
untuk fromLogits, LABEL_SMOOTHING_DEFAULT
untuk labelSmoothing dan Pengurangan Kerugian sebesar REDUCTION_DEFAULT
Parameter
tf | Operasi TensorFlow |
---|
public BinaryCrossentropy (Ops tf, Pengurangan pengurangan)
Membuat kerugian Biner Crossentropy menggunakan getSimpleName()
sebagai nama kerugian, FROM_LOGITS_DEFAULT
untuk fromLogits, dan LABEL_SMOOTHING_DEFAULT
untuk labelSmoothing
Parameter
tf | Operasi TensorFlow |
---|---|
pengurangan | Jenis Pengurangan yang diterapkan pada kerugian. |
BinaryCrossentropy publik (Ops tf, boolean fromLogits)
Membuat kerugian Biner Crossentropy menggunakan getSimpleName()
sebagai nama kerugian, labelSmoothing dari LABEL_SMOOTHING_DEFAULT
, pengurangan dari REDUCTION_DEFAULT
,
Parameter
tf | Operasi TensorFlow |
---|---|
dariLogits | Apakah akan menafsirkan prediksi sebagai tensor nilai logit |
public BinaryCrossentropy (Ops tf, nama String, boolean fromLogits)
Membuat kerugian Binary Crossentropy menggunakan labelSmoothing sebesar LABEL_SMOOTHING_DEFAULT
pengurangan REDUCTION_DEFAULT
.
Parameter
tf | Operasi TensorFlow |
---|---|
nama | nama kerugiannya |
dariLogits | Apakah akan menafsirkan prediksi sebagai tensor nilai logit |
BinaryCrossentropy publik (Ops tf, boolean fromLogits, float labelSmoothing)
Membuat kerugian Biner Crossentropy menggunakan getSimpleName()
sebagai nama kerugian, dan pengurangan REDUCTION_DEFAULT
.
Parameter
tf | Operasi TensorFlow |
---|---|
dariLogits | Apakah akan menafsirkan prediksi sebagai tensor nilai logit |
label Menghaluskan | Angka dalam rentang, [0, 1]. Ketika 0, tidak terjadi pemulusan. Jika > 0, hitung kerugian antara label yang diprediksi dan versi yang dihaluskan dari label yang sebenarnya, dengan penghalusan tersebut menekan label ke arah 0,5. Nilai labelSmoothing yang lebih besar berarti penghalusan yang lebih berat. |
public BinaryCrossentropy (Ops tf, nama String, boolean fromLogits, float labelSmoothing)
Membuat kerugian Biner Crossentropy menggunakan pengurangan REDUCTION_DEFAULT
.
Parameter
tf | Operasi TensorFlow |
---|---|
nama | nama kerugiannya |
dariLogits | Apakah akan menafsirkan prediksi sebagai tensor nilai logit |
label Menghaluskan | Angka dalam rentang, [0, 1]. Ketika 0, tidak terjadi pemulusan. Jika > 0, hitung kerugian antara label yang diprediksi dan versi yang dihaluskan dari label yang sebenarnya, dengan penghalusan tersebut menekan label ke arah 0,5. Nilai labelSmoothing yang lebih besar berarti penghalusan yang lebih berat. |
public BinaryCrossentropy (Ops tf, boolean fromLogits, float labelSmoothing, Pengurangan pengurangan)
Menciptakan kerugian Biner Crossentropy
Parameter
tf | Operasi TensorFlow |
---|---|
dariLogits | Apakah akan menafsirkan prediksi sebagai tensor nilai logit |
label Menghaluskan | Angka dalam rentang, [0, 1]. Ketika 0, tidak terjadi pemulusan. Jika > 0, hitung kerugian antara label yang diprediksi dan versi yang dihaluskan dari label yang sebenarnya, dengan penghalusan tersebut menekan label ke arah 0,5. Nilai labelSmoothing yang lebih besar berarti penghalusan yang lebih berat. |
pengurangan | Jenis Pengurangan yang diterapkan pada kerugian. |
public BinaryCrossentropy (Ops tf, Nama string, boolean fromLogits, float labelSmoothing, Pengurangan pengurangan)
Menciptakan kerugian Biner Crossentropy
Parameter
tf | Operasi TensorFlow |
---|---|
nama | nama kerugiannya |
dariLogits | Apakah akan menafsirkan prediksi sebagai tensor nilai logit |
label Menghaluskan | Angka dalam rentang, [0, 1]. Ketika 0, tidak terjadi pemulusan. Jika > 0, hitung kerugian antara label yang diprediksi dan versi yang dihaluskan dari label yang sebenarnya, dengan penghalusan tersebut menekan label ke arah 0,5. Nilai labelSmoothing yang lebih besar berarti penghalusan yang lebih berat. |
pengurangan | Jenis Pengurangan yang diterapkan pada kerugian. |
Melempar
Pengecualian Argumen Ilegal | jika labelSmoothing tidak berada dalam rentang inklusif 0. - 1. |
---|
Metode Publik
panggilan Operand <T> publik ( label Operand <? extends TNumber >, prediksi Operand <T>, Operand <T> sampleWeights)
Menghasilkan Operan yang menghitung kerugian.
Jika dijalankan dalam mode Grafik, komputasi akan memunculkan TFInvalidArgumentException
jika nilai prediksi berada di luar rentang o [0. ke 1.]. Dalam Mode Eager, panggilan ini akan memunculkan IllegalArgumentException
, jika nilai prediksi berada di luar rentang o [0. ke 1.]
Parameter
label | nilai atau label kebenaran |
---|---|
prediksi | prediksi, nilai harus berada dalam kisaran [0. ke 1.] inklusif. |
sampelBerat | SampleWeights opsional bertindak sebagai koefisien kerugian. Jika skalar disediakan, maka kerugiannya hanya diskalakan dengan nilai yang diberikan. Jika SampleWeights adalah tensor dengan ukuran [batch_size], maka total kerugian untuk setiap sampel batch akan diubah skalanya dengan elemen yang sesuai dalam vektor SampleWeights. Jika bentuk SampleWeights adalah [batch_size, d0, .. dN-1] (atau dapat disiarkan ke bentuk ini), maka setiap elemen prediksi yang hilang akan diskalakan dengan nilai SampleWeights yang sesuai. (Catatan pada dN-1: semua fungsi kerugian berkurang 1 dimensi, biasanya sumbu=-1.) |
Kembali
- kerugiannya
Melempar
Pengecualian Argumen Ilegal | jika prediksi berada di luar rentang [0.-1.]. |
---|