TensorFlow در 14 مه به Google I/O بازگشته است! همین الان ثبت نام کنید

این صفحه به‌وسیله ‏Cloud Translation API‏ ترجمه شده است.

CategoricalCrossentropy

کلاس عمومی دسته بندی متقاطع

افت متقاطع بین برچسب ها و پیش بینی ها را محاسبه می کند.

هنگامی که دو یا چند کلاس برچسب وجود دارد از این تابع تلفات متقاطع استفاده کنید. ما انتظار داریم که برچسب‌ها در یک نمایش one_hot ارائه شوند. اگر می‌خواهید برچسب‌ها را به‌عنوان اعداد صحیح ارائه کنید، لطفاً از از دست دادن SparseCategoricalCrossentropy استفاده کنید. برای هر ویژگی باید # classes مقدار ممیز شناور وجود داشته باشد.

استفاده مستقل:

    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

تماس با وزن نمونه:

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

با استفاده از نوع کاهش SUM :

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

با استفاده از نوع کاهش NONE :

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

ثابت ها

بین المللی	DEFAULT_AXIS
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

	دسته بندی متقاطع (Ops tf) با استفاده از `getSimpleName()` به عنوان نام فقدان، `FROM_LOGITS_DEFAULT` برای fromLogits، `LABEL_SMOOTHING_DEFAULT` برای labelSmoothing، کاهش تلفات `REDUCTION_DEFAULT` و محور `DEFAULT_AXIS` ، یک آنتروپی متقاطع Loss ایجاد می کند.
	CategoryCrossentropy (Ops tf، نام رشته) با استفاده از `FROM_LOGITS_DEFAULT` برای fromLogits، `LABEL_SMOOTHING_DEFAULT` برای labelSmoothing، کاهش تلفات `REDUCTION_DEFAULT` و محور `DEFAULT_AXIS` ، یک افت آنتروپی متقاطع طبقه‌بندی می‌کند.
	دسته بندی متقاطع (Ops tf، کاهش کاهش) با استفاده از `getSimpleName()` به عنوان نام فقدان، `FROM_LOGITS_DEFAULT` برای fromLogits، `LABEL_SMOOTHING_DEFAULT` برای labelSmoothing و یک محور `DEFAULT_AXIS` یک آنتروپی متقاطع Loss ایجاد می کند.
	دسته بندی متقاطع (Ops tf، نام رشته، کاهش کاهش) یک افت آنتروپی متقاطع طبقه بندی شده `FROM_LOGITS_DEFAULT` برای fromLogits، `LABEL_SMOOTHING_DEFAULT` برای labelSmoothing، و یک محور `DEFAULT_AXIS` ایجاد می کند.
	CategoryCrossentropy (Ops tf، Boolean fromLogits) با استفاده از `getSimpleName()` به عنوان نام ضرر، `LABEL_SMOOTHING_DEFAULT` برای labelSmoothing، کاهش تلفات `REDUCTION_DEFAULT` و محور `DEFAULT_AXIS` ، یک افت آنتروپی متقاطع را ایجاد می کند.
	CategoryCrossentropy (Ops tf، نام رشته، منطقی از Logits) با استفاده از `LABEL_SMOOTHING_DEFAULT` برای labelSmoothing، کاهش تلفات `REDUCTION_DEFAULT` و محور کانال `DEFAULT_AXIS` یک افت آنتروپی متقاطع طبقه بندی می کند.
	CategoryCrossentropy (Ops tf، Boolean fromLogits، float labelSmoothing) با استفاده از `getSimpleName()` به عنوان نام ضرر، کاهش تلفات `REDUCTION_DEFAULT` ، و یک محور کانال `DEFAULT_AXIS` یک Loss متقاطع متقاطع ایجاد می کند.
	CategoryCrossentropy (Ops tf، نام رشته، منطقی از Logits، float labelSmoothing) با استفاده از کاهش تلفات `REDUCTION_DEFAULT` و یک محور کانال `DEFAULT_AXIS` ، یک افت آنتروپی متقاطع طبقه بندی می کند.
	دسته بندی متقابل (Ops tf، منطقی از Logits، برچسب شناور هموارسازی، کاهش کاهش) با استفاده از `getSimpleName()` به عنوان نام از دست دادن و محور کانال `DEFAULT_AXIS` یک آنتروپی متقاطع Loss ایجاد می کند.
	دسته بندی متقاطع (Ops tf، نام رشته، منطقی از Logits، برچسب شناور هموارسازی، کاهش کاهش ، محور int) یک اتلاف آنتروپی متقاطع را 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

عمومی استاتیک نهایی int DEFAULT_AXIS

مقدار ثابت: -1

بولین نهایی ثابت عمومی FROM_LOGITS_DEFAULT

مقدار ثابت: نادرست

شناور نهایی ثابت عمومی LABEL_SMOOTHING_DEFAULT

مقدار ثابت: 0.0

سازندگان عمومی

عمومی دسته بندی متقاطع (Ops tf)

با استفاده از getSimpleName() به عنوان نام فقدان، FROM_LOGITS_DEFAULT برای fromLogits، LABEL_SMOOTHING_DEFAULT برای labelSmoothing، کاهش تلفات REDUCTION_DEFAULT و محور DEFAULT_AXIS ، یک آنتروپی متقاطع Loss ایجاد می کند.

مولفه های

tf	TensorFlow Ops

عمومی دسته بندی متقاطع (Ops tf، نام رشته)

با استفاده از FROM_LOGITS_DEFAULT برای fromLogits، LABEL_SMOOTHING_DEFAULT برای labelSmoothing، کاهش تلفات REDUCTION_DEFAULT و محور DEFAULT_AXIS ، یک افت آنتروپی متقاطع طبقه‌بندی می‌کند.

مولفه های

tf	TensorFlow Ops
نام	نام این باخت

عمومی دسته بندی متقاطع (Ops tf، کاهش کاهش)

با استفاده از getSimpleName() به عنوان نام فقدان، FROM_LOGITS_DEFAULT برای fromLogits، LABEL_SMOOTHING_DEFAULT برای labelSmoothing و یک محور DEFAULT_AXIS یک آنتروپی متقاطع Loss ایجاد می کند.

مولفه های

tf	TensorFlow Ops
کاهش	نوع کاهش برای اعمال ضرر.

عمومی دسته بندی متقاطع (Ops tf، نام رشته، کاهش کاهش)

یک افت آنتروپی متقاطع طبقه بندی شده FROM_LOGITS_DEFAULT برای fromLogits، LABEL_SMOOTHING_DEFAULT برای labelSmoothing، و یک محور DEFAULT_AXIS ایجاد می کند.

مولفه های

tf	TensorFlow Ops
نام	نام این باخت
کاهش	نوع کاهش برای اعمال ضرر.

عمومی CategoricalCrossentropy (Ops tf، Boolean fromLogits)

با استفاده از getSimpleName() به عنوان نام ضرر، LABEL_SMOOTHING_DEFAULT برای labelSmoothing، کاهش تلفات REDUCTION_DEFAULT و محور DEFAULT_AXIS ، یک افت آنتروپی متقاطع را ایجاد می کند.

مولفه های

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

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

با استفاده از LABEL_SMOOTHING_DEFAULT برای labelSmoothing، کاهش تلفات REDUCTION_DEFAULT و محور کانال DEFAULT_AXIS یک افت آنتروپی متقاطع طبقه بندی می کند.

مولفه های

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

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

با استفاده از getSimpleName() به عنوان نام ضرر، کاهش تلفات REDUCTION_DEFAULT ، و یک محور کانال DEFAULT_AXIS یک Loss متقاطع متقاطع ایجاد می کند.

مولفه های

tf	TensorFlow Ops
از لاجیتز	اینکه آیا پیش‌بینی‌ها را به عنوان تانسور مقادیر لاجیت تفسیر کنیم
برچسب صاف کردن	شناور در `[0, 1]` . وقتی `> 0` ، مقادیر برچسب هموار می شوند، به این معنی که اطمینان در مقادیر برچسب کاهش می یابد. به عنوان مثال `labelSmoothing=0.2` به این معنی است که از مقدار `0.1` برای برچسب `0` و `0.9` برای برچسب `1` استفاده خواهیم کرد.

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

با استفاده از کاهش تلفات REDUCTION_DEFAULT و یک محور کانال DEFAULT_AXIS ، یک افت آنتروپی متقاطع طبقه بندی می کند.

مولفه های

tf	TensorFlow Ops
نام	نام این باخت
از لاجیتز	اینکه آیا پیش‌بینی‌ها را به عنوان تانسور مقادیر لاجیت تفسیر کنیم
برچسب صاف کردن	شناور در `[0, 1]` . وقتی `> 0` ، مقادیر برچسب هموار می شوند، به این معنی که اطمینان در مقادیر برچسب کاهش می یابد. به عنوان مثال `labelSmoothing=0.2` به این معنی است که از مقدار `0.1` برای برچسب `0` و `0.9` برای برچسب `1` استفاده خواهیم کرد.

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

با استفاده از getSimpleName() به عنوان نام از دست دادن و محور کانال DEFAULT_AXIS یک آنتروپی متقاطع Loss ایجاد می کند.

مولفه های

tf	TensorFlow Ops
از لاجیتز	اینکه آیا پیش‌بینی‌ها را به عنوان تانسور مقادیر لاجیت تفسیر کنیم
برچسب صاف کردن	شناور در `[0, 1]` . وقتی `> 0` ، مقادیر برچسب هموار می شوند، به این معنی که اطمینان در مقادیر برچسب کاهش می یابد. به عنوان مثال `x=0.2` به این معنی است که از مقدار `0.1` برای برچسب `0` و `0.9` برای برچسب `1` استفاده خواهیم کرد.
کاهش	نوع کاهش برای اعمال ضرر.

عمومی CategoricalCrossentropy (Ops tf، نام رشته، منطقی از Logits، برچسب شناور هموارسازی، کاهش کاهش، محور int)

یک اتلاف آنتروپی متقاطع را ایجاد می کند

مولفه های

tf	TensorFlow Ops
نام	نام این باخت
از لاجیتز	اینکه آیا پیش‌بینی‌ها را به عنوان تانسور مقادیر لاجیت تفسیر کنیم
برچسب صاف کردن	شناور در `[0, 1]` . وقتی `> 0` ، مقادیر برچسب هموار می شوند، به این معنی که اطمینان در مقادیر برچسب کاهش می یابد. به عنوان مثال `labelSmoothing=0.2` به این معنی است که از مقدار `0.1` برای برچسب `0` و `0.9` برای برچسب `1` استفاده خواهیم کرد.
کاهش	نوع کاهش برای اعمال ضرر.
محور	محور کانال ها `axis=-1` مربوط به قالب داده "Channels Last" و `axis=1` مربوط به قالب داده "Channels First" است. `CHANNELS_LAST` و `CHANNELS_FIRST`

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.