CategoricalCrossentropy

clase pública CategóricaCrossentropía

Calcula la pérdida de entropía cruzada entre las etiquetas y las predicciones.

Utilice esta función de pérdida de entropía cruzada cuando haya dos o más clases de etiquetas. Esperamos que las etiquetas se proporcionen en una representación one_hot. Si desea proporcionar etiquetas como números enteros, utilice la pérdida SparseCategoricalCrossentropy . Debe haber # classes valores de coma flotante por característica.

Uso independiente:

    Operand<TFloat32> labels =
        tf.constant(new float[][] { {0, 1, 0}, {0, 0, 1} });
    Operand<TFloat32> predictions =
        tf.constant(new float[][] { {0.05f, 0.95f, 0f}, {0.1f, 0.8f, 0.1f} });
    CategoricalCrossentropy cce = new CategoricalCrossentropy(tf);
    Operand<TFloat32> result = cce.call(labels, predictions);
    // produces 1.177
 

Llamar con peso de muestra:

    Operand<TFloat32> sampleWeight = tf.constant(new float[] {0.3f, 0.7f});
    Operand<TFloat32> result = cce.call(labels, predictions, sampleWeight);
    // produces 0.814f
 

Usando el tipo de reducción SUM :

    CategoricalCrossentropy cce = new CategoricalCrossentropy(tf, Reduction.SUM);
    Operand<TFloat32> result = cce.call(labels, predictions);
    // produces 2.354f
 

Usando NONE tipo de reducción:

    CategoricalCrossentropy cce =
        new CategoricalCrossentropy(tf, Reduction.NONE);
    Operand<TFloat32> result = cce.call(labels, predictions);
    // produces [0.0513f, 2.303f]
 

Constantes

En t	DEFAULT_AXIS
booleano	FROM_LOGITS_DEFAULT
flotar	LABEL_SMOOTHING_DEFAULT

Campos heredados

De la clase org.tensorflow.framework.losses.Loss

Reducción final estática pública

REDUCCIÓN_DEFAULT

Constructores Públicos

	Cruzentropía categórica (Ops tf) Crea una pérdida de entropía cruzada categórica usando getSimpleName() como nombre de pérdida, FROM_LOGITS_DEFAULT para fromLogits, LABEL_SMOOTHING_DEFAULT para labelSmoothing, una reducción de pérdida de REDUCTION_DEFAULT y un eje de DEFAULT_AXIS
	CategoricalCrossentropy (Ops tf, nombre de cadena) Crea una pérdida categórica de entropía cruzada usando FROM_LOGITS_DEFAULT para fromLogits, LABEL_SMOOTHING_DEFAULT para labelSmoothing, una reducción de pérdida de REDUCTION_DEFAULT y un eje de DEFAULT_AXIS
	CategoricalCrossentropy (Ops tf, Reducción de reducción ) Crea una pérdida categórica de entropía cruzada usando getSimpleName() como nombre de pérdida, FROM_LOGITS_DEFAULT para fromLogits, LABEL_SMOOTHING_DEFAULT para labelSmoothing y un eje de DEFAULT_AXIS
	CategoricalCrossentropy (Ops tf, nombre de cadena, reducción de reducción ) Crea una pérdida categórica de entropía cruzada FROM_LOGITS_DEFAULT para fromLogits, LABEL_SMOOTHING_DEFAULT para labelSmoothing y un eje de DEFAULT_AXIS
	CategoricalCrossentropy (Ops tf, booleano deLogits) Crea una pérdida de entropía cruzada categórica usando getSimpleName() como nombre de pérdida, LABEL_SMOOTHING_DEFAULT para labelSmoothing, una reducción de pérdida de REDUCTION_DEFAULT y un eje de DEFAULT_AXIS
	CategoricalCrossentropy (Ops tf, nombre de cadena, booleano deLogits) Crea una pérdida categórica de entropía cruzada usando LABEL_SMOOTHING_DEFAULT para labelSmoothing, una reducción de pérdida de REDUCTION_DEFAULT y un eje de canal de DEFAULT_AXIS
	CategoricalCrossentropy (Ops tf, boolean fromLogits, float labelSmoothing) Crea una pérdida categórica de entropía cruzada usando getSimpleName() como nombre de pérdida, una reducción de pérdida de REDUCTION_DEFAULT y un eje de canal de DEFAULT_AXIS
	CategoricalCrossentropy (Ops tf, nombre de cadena, booleano deLogits, etiqueta flotanteSuavizado) Crea una pérdida categórica de entropía cruzada utilizando una reducción de pérdida de REDUCTION_DEFAULT y un eje de canal de DEFAULT_AXIS
	CategoricalCrossentropy (Ops tf, boolean fromLogits, float labelSmoothing, Reducción de reducción ) Crea una pérdida categórica de entropía cruzada usando getSimpleName() como nombre de pérdida y un eje de canal de DEFAULT_AXIS
	CategoricalCrossentropy (Ops tf, nombre de cadena, booleano fromLogits, etiqueta flotanteSuavizado, reducción de reducción , eje int) Crea una pérdida categórica de entropía cruzada.

Métodos públicos

<T extiende TNumber > Operando <T>

llamada ( Operando <? extiende etiquetas TNumber >, predicciones de operando <T>, pesos de muestra de operando <T>) Genera un Operando que calcula la pérdida.

Métodos heredados

De la clase org.tensorflow.framework.losses.Loss

resumen <T extiende TNumber > Operando <T>	llamada ( Operando <? extiende etiquetas TNumber >, predicciones de operando <T>, pesos de muestra de operando <T>) Genera un Operando que calcula la pérdida.
<T extiende TNumber > Operando <T>	llamada ( Operando <? extiende etiquetas TNumber >, predicciones del Operando <T>) Calcula la perdida
Reducción	obtenerReducción () Obtiene la reducción de pérdidas.
operaciones	obtenerTF () Obtiene las operaciones de TensorFlow

De la clase java.lang.Object

booleano	es igual (Objeto arg0)
Clase final<?>	obtenerclase ()
En t	código hash ()
vacío final	notificar ()
vacío final	notificar a todos ()
Cadena	Encadenar ()
vacío final	esperar (arg0 largo, int arg1)
vacío final	espera (largo arg0)
vacío final	esperar ()

Constantes

int final estático público DEFAULT_AXIS

Valor constante: -1

booleano final estático público FROM_LOGITS_DEFAULT

Valor constante: falso

flotador final estático público LABEL_SMOOTHING_DEFAULT

Valor constante: 0,0

Constructores Públicos

Cruzentropía categórica pública (Ops tf)

Crea una pérdida de entropía cruzada categórica usando getSimpleName() como nombre de pérdida, FROM_LOGITS_DEFAULT para fromLogits, LABEL_SMOOTHING_DEFAULT para labelSmoothing, una reducción de pérdida de REDUCTION_DEFAULT y un eje de DEFAULT_AXIS

Parámetros

tf	las operaciones de TensorFlow

pública CategoricalCrossentropy (Ops tf, nombre de cadena)

Crea una pérdida categórica de entropía cruzada usando FROM_LOGITS_DEFAULT para fromLogits, LABEL_SMOOTHING_DEFAULT para labelSmoothing, una reducción de pérdida de REDUCTION_DEFAULT y un eje de DEFAULT_AXIS

Parámetros

tf	las operaciones de TensorFlow
nombre	el nombre de esta perdida

pública CategoricalCrossentropy (Ops tf, reducción de reducción )

Crea una pérdida categórica de entropía cruzada usando getSimpleName() como nombre de pérdida, FROM_LOGITS_DEFAULT para fromLogits, LABEL_SMOOTHING_DEFAULT para labelSmoothing y un eje de DEFAULT_AXIS

Parámetros

tf	las operaciones de TensorFlow
reducción	Tipo de Reducción a aplicar en caso de pérdida.

pública CategoricalCrossentropy (Ops tf, nombre de cadena, reducción de reducción )

Crea una pérdida categórica de entropía cruzada FROM_LOGITS_DEFAULT para fromLogits, LABEL_SMOOTHING_DEFAULT para labelSmoothing y un eje de DEFAULT_AXIS

Parámetros

tf	las operaciones de TensorFlow
nombre	el nombre de esta perdida
reducción	Tipo de Reducción a aplicar en caso de pérdida.

pública CategoricalCrossentropy (Ops tf, boolean fromLogits)

Crea una pérdida de entropía cruzada categórica usando getSimpleName() como nombre de pérdida, LABEL_SMOOTHING_DEFAULT para labelSmoothing, una reducción de pérdida de REDUCTION_DEFAULT y un eje de DEFAULT_AXIS

Parámetros

tf	las operaciones de TensorFlow
desdeLogits	Si se deben interpretar las predicciones como un tensor de valores logit

pública CategoricalCrossentropy (Ops tf, nombre de cadena, booleano deLogits)

Crea una pérdida categórica de entropía cruzada usando LABEL_SMOOTHING_DEFAULT para labelSmoothing, una reducción de pérdida de REDUCTION_DEFAULT y un eje de canal de DEFAULT_AXIS

Parámetros

tf	las operaciones de TensorFlow
nombre	el nombre de esta perdida
desdeLogits	Si se deben interpretar las predicciones como un tensor de valores logit

pública CategoricalCrossentropy (Ops tf, boolean fromLogits, float labelSmoothing)

Crea una pérdida categórica de entropía cruzada usando getSimpleName() como nombre de pérdida, una reducción de pérdida de REDUCTION_DEFAULT y un eje de canal de DEFAULT_AXIS

Parámetros

tf	las operaciones de TensorFlow
desdeLogits	Si se deben interpretar las predicciones como un tensor de valores logit
etiquetaSuavizado	Flotar en [0, 1] . Cuando > 0 , los valores de las etiquetas se suavizan, lo que significa que la confianza en los valores de las etiquetas se relaja. por ejemplo, labelSmoothing=0.2 significa que usaremos un valor de 0.1 para la etiqueta 0 y 0.9 para la etiqueta 1

pública CategoricalCrossentropy (Ops tf, nombre de cadena, booleano deLogits, etiqueta flotanteSuavizado)

Crea una pérdida categórica de entropía cruzada utilizando una reducción de pérdida de REDUCTION_DEFAULT y un eje de canal de DEFAULT_AXIS

Parámetros

tf	las operaciones de TensorFlow
nombre	el nombre de esta perdida
desdeLogits	Si se deben interpretar las predicciones como un tensor de valores logit
etiquetaSuavizado	Flotar en [0, 1] . Cuando > 0 , los valores de las etiquetas se suavizan, lo que significa que la confianza en los valores de las etiquetas se relaja. por ejemplo, labelSmoothing=0.2 significa que usaremos un valor de 0.1 para la etiqueta 0 y 0.9 para la etiqueta 1

pública CategoricalCrossentropy (Ops tf, boolean fromLogits, float labelSmoothing, Reducción de reducción )

Crea una pérdida categórica de entropía cruzada usando getSimpleName() como nombre de pérdida y un eje de canal de DEFAULT_AXIS

Parámetros

tf	las operaciones de TensorFlow
desdeLogits	Si se deben interpretar las predicciones como un tensor de valores logit
etiquetaSuavizado	Flotar en [0, 1] . Cuando > 0 , los valores de las etiquetas se suavizan, lo que significa que la confianza en los valores de las etiquetas se relaja. por ejemplo, x=0.2 significa que usaremos un valor de 0.1 para la etiqueta 0 y 0.9 para la etiqueta 1
reducción	Tipo de Reducción a aplicar en caso de pérdida.

public CategoricalCrossentropy (Ops tf, nombre de cadena, booleano fromLogits, etiqueta flotanteSuavizado, reducción de reducción , eje int)

Crea una pérdida categórica de entropía cruzada.

Parámetros

tf	las operaciones de TensorFlow
nombre	el nombre de esta perdida
desdeLogits	Si se deben interpretar las predicciones como un tensor de valores logit
etiquetaSuavizado	Flotar en [0, 1] . Cuando > 0 , los valores de las etiquetas se suavizan, lo que significa que la confianza en los valores de las etiquetas se relaja. por ejemplo, labelSmoothing=0.2 significa que usaremos un valor de 0.1 para la etiqueta 0 y 0.9 para la etiqueta 1
reducción	Tipo de Reducción a aplicar en caso de pérdida.
eje	El eje de los canales. axis=-1 corresponde al formato de datos "Últimos canales" y axis=1 corresponde al formato de datos "Primeros canales". CHANNELS_LAST y CHANNELS_FIRST

Lanza

Argumento de excepción ilegal	si labelSmoothing no está en el rango inclusivo de 0. - 1.

Métodos públicos

Llamada pública al operando <T> ( el operando <? extiende las etiquetas TNumber >, las predicciones del operando <T>, los pesos de muestra del operando <T>)

Genera un Operando que calcula la pérdida.

Si se ejecuta en modo Gráfico, el cálculo generará TFInvalidArgumentException si los valores de las predicciones están fuera del rango o [0. a 1.]. En modo ansioso, esta llamada generará IllegalArgumentException , si los valores de las predicciones están fuera del rango o [0. a 1.]

Parámetros

etiquetas	los valores o etiquetas de verdad
predicciones	las predicciones, los valores deben estar en el rango [0. a 1.] inclusive.
pesos de muestra	SampleWeights opcional actúa como un coeficiente de pérdida. Si se proporciona un escalar, entonces la pérdida simplemente se escala según el valor dado. Si SampleWeights es un tensor de tamaño [batch_size], entonces la pérdida total de cada muestra del lote se vuelve a escalar mediante el elemento correspondiente en el vector SampleWeights. Si la forma de SampleWeights es [batch_size, d0, .. dN-1] (o se puede transmitir a esta forma), entonces cada elemento de pérdida de las predicciones se escala según el valor correspondiente de SampleWeights. (Nota sobre dN-1: todas las funciones de pérdida se reducen en 1 dimensión, generalmente eje = -1).

Devoluciones

• la pérdida

Lanza

Argumento de excepción ilegal	si las predicciones están fuera del rango [0.-1.].