CategoricalCrossentropy

כיתה ציבורית קטגוריתCrossentropy

מחשב את אובדן ה-crossentropy בין התוויות והתחזיות.

השתמש בפונקציית אובדן קרוסנטרופיה זו כאשר יש שתי מחלקות תוויות או יותר. אנו מצפים שתוויות יסופקו בייצוג one_hot. אם ברצונך לספק תוויות כמספרים שלמים, אנא השתמש ב- SparseCategoricalCrossentropy loss. צריכים להיות # classes ערכי נקודה צפה לכל תכונה.

שימוש עצמאי: 

    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

מתקשר עם משקל לדוגמה: 

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

שימוש בסוג הפחתת SUM : 

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

שימוש בסוג הפחתה NONE : 

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

קבועים

int DEFAULT_AXIS
בוליאני FROM_LOGITS_DEFAULT
לָצוּף LABEL_SMOOTHING_DEFAULT

שדות בירושה

בונים ציבוריים

CategoricalCrossentropy (Ops tf)
יוצר הפסד אנטרופיה צולבת קטגורית באמצעות getSimpleName() כשם ההפסד, FROM_LOGITS_DEFAULT עבור fromLogits, LABEL_SMOOTHING_DEFAULT עבור labelSmoothing, הפחתת הפסד של REDUCTION_DEFAULT וציר של DEFAULT_AXIS
CategoricalCrossentropy (Ops tf, שם מחרוזת)
יוצר הפסד אנטרופיה צולבת קטגורי באמצעות FROM_LOGITS_DEFAULT עבור fromLogits, LABEL_SMOOTHING_DEFAULT עבור labelSmoothing, הפחתת הפסד של REDUCTION_DEFAULT וציר של DEFAULT_AXIS
CategoricalCrossentropy (Ops tf, הפחתת הפחתה )
יוצר הפסד אנטרופיה צולבת קטגורית באמצעות getSimpleName() כשם ההפסד, FROM_LOGITS_DEFAULT עבור fromLogits, LABEL_SMOOTHING_DEFAULT עבור labelSmoothing וציר של DEFAULT_AXIS
CategoricalCrossentropy (Ops tf, שם מחרוזת, הפחתת הפחתה )
יוצר הפסד אנטרופיה צולבת קטגורית FROM_LOGITS_DEFAULT עבור fromLogits, LABEL_SMOOTHING_DEFAULT עבור labelSmoothing וציר של DEFAULT_AXIS
CategoricalCrossentropy (Ops tf, בוליאני מLogits)
יוצר הפסד אנטרופיה צולבת קטגורית באמצעות getSimpleName() כשם ההפסד, LABEL_SMOOTHING_DEFAULT עבור labelSmoothing, הפחתת הפסד של REDUCTION_DEFAULT וציר של DEFAULT_AXIS
CategoricalCrossentropy (Ops tf, שם מחרוזת, בוליאני מLogits)
יוצר הפסד אנטרופיה צולב קטגורי באמצעות LABEL_SMOOTHING_DEFAULT עבור labelSmoothing, הפחתת הפסד של REDUCTION_DEFAULT וציר ערוץ של DEFAULT_AXIS
CategoricalCrossentropy (Ops tf, Boolean fromLogits, Float labelSmoothing)
יוצר הפסד אנטרופיה צולבת קטגורי באמצעות getSimpleName() כשם ההפסד, הורדת הפסד של REDUCTION_DEFAULT וציר ערוץ של DEFAULT_AXIS
CategoricalCrossentropy (Ops tf, שם מחרוזת, בוליאני מLogits, תווית ציפהSmoothing)
יוצר הפסד אנטרופי צולב קטגורי באמצעות הפחתת הפסד של REDUCTION_DEFAULT וציר ערוץ של DEFAULT_AXIS
CategoricalCrossentropy (Ops tf, Boolean fromLogits, Float LabelSmoothing, Reduction reduce)
יוצר הפסד אנטרופיה צולבת קטגורית באמצעות getSimpleName() כשם ההפסד וציר ערוץ של DEFAULT_AXIS
CategoricalCrossentropy (Ops tf, שם מחרוזת, בוליאני מ-Logits, תווית ציפה Smoothing, הפחתת הפחתה , ציר int)
יוצר הפסד אנטרופיה צולבת קטגורית

שיטות ציבוריות

<T מרחיב את TNummer > Operand <T>
קריאה ( Operand <? מרחיב את התוויות של TNomber >, תחזיות Operand <T>, Oprand <T> sampleWeights)
יוצר אופרנד שמחשב את ההפסד.

שיטות בירושה

קבועים

סופי סטטי ציבורי DEFAULT_AXIS

ערך קבוע: -1

בוליאן סופי סטטי ציבורי FROM_LOGITS_DEFAULT

ערך קבוע: שקר

ציפה סופית סטטית ציבורית LABEL_SMOOTHING_DEFAULT

ערך קבוע: 0.0

בונים ציבוריים

ציבורי CategoricalCrossentropy (Ops tf)

יוצר הפסד אנטרופיה צולבת קטגורית באמצעות getSimpleName() כשם ההפסד, FROM_LOGITS_DEFAULT עבור fromLogits, LABEL_SMOOTHING_DEFAULT עבור labelSmoothing, הפחתת הפסד של REDUCTION_DEFAULT וציר של DEFAULT_AXIS

פרמטרים
tf ה- TensorFlow Ops

public CategoricalCrossentropy (Ops tf, שם מחרוזת)

יוצר הפסד אנטרופיה צולבת קטגורי באמצעות FROM_LOGITS_DEFAULT עבור fromLogits, LABEL_SMOOTHING_DEFAULT עבור labelSmoothing, הפחתת הפסד של REDUCTION_DEFAULT וציר של DEFAULT_AXIS

פרמטרים
tf ה- TensorFlow Ops
שֵׁם שם האובדן הזה

ציבורי CategoricalCrossentropy (Ops tf, הפחתת הפחתה )

יוצר הפסד אנטרופיה צולבת קטגורית באמצעות getSimpleName() כשם ההפסד, FROM_LOGITS_DEFAULT עבור fromLogits, LABEL_SMOOTHING_DEFAULT עבור labelSmoothing וציר של DEFAULT_AXIS

פרמטרים
tf ה- TensorFlow Ops
צִמצוּם סוג ההפחתה להחלה על אובדן.

public CategoricalCrossentropy (Ops tf, שם מחרוזת, הפחתת הפחתה )

יוצר הפסד אנטרופיה צולבת קטגורית FROM_LOGITS_DEFAULT עבור fromLogits, LABEL_SMOOTHING_DEFAULT עבור labelSmoothing וציר של DEFAULT_AXIS

פרמטרים
tf ה- TensorFlow Ops
שֵׁם שם האובדן הזה
צִמצוּם סוג ההפחתה להחלה על אובדן.

ציבורי CategoricalCrossentropy (Ops tf, בוליאני מLogits)

יוצר הפסד אנטרופיה צולבת קטגורית באמצעות getSimpleName() כשם ההפסד, LABEL_SMOOTHING_DEFAULT עבור labelSmoothing, הפחתת הפסד של REDUCTION_DEFAULT וציר של DEFAULT_AXIS

פרמטרים
tf ה- TensorFlow Ops
מLogits האם לפרש תחזיות כטנזור של ערכי לוגיט

public CategoricalCrossentropy (Ops tf, שם מחרוזת, בוליאני מLogits)

יוצר הפסד אנטרופיה צולב קטגורי באמצעות LABEL_SMOOTHING_DEFAULT עבור labelSmoothing, הפחתת הפסד של REDUCTION_DEFAULT וציר ערוץ של DEFAULT_AXIS

פרמטרים
tf ה- TensorFlow Ops
שֵׁם שם האובדן הזה
מLogits האם לפרש תחזיות כטנזור של ערכי לוגיט

ציבורי CategoricalCrossentropy (Ops tf, בוליאני מLogits, תווית ציפהSmoothing)

יוצר הפסד אנטרופיה צולבת קטגורי באמצעות getSimpleName() כשם ההפסד, הורדת הפסד של REDUCTION_DEFAULT וציר ערוץ של DEFAULT_AXIS

פרמטרים
tf ה- TensorFlow Ops
מLogits האם לפרש תחזיות כטנזור של ערכי לוגיט
תווית החלקה צף פנימה [0, 1] . כאשר > 0 , ערכי התווית מוחלקים, כלומר האמון על ערכי התווית נרגע. למשל labelSmoothing=0.2 אומר שנשתמש בערך של 0.1 עבור תווית 0 ו 0.9 עבור תווית 1

public CategoricalCrossentropy (Ops tf, שם מחרוזת, בוליאני מLogits, תווית ציפהSmoothing)

יוצר הפסד אנטרופי צולב קטגורי באמצעות הפחתת הפסד של REDUCTION_DEFAULT וציר ערוץ של DEFAULT_AXIS

פרמטרים
tf ה- TensorFlow Ops
שֵׁם שם האובדן הזה
מLogits האם לפרש תחזיות כטנזור של ערכי לוגיט
תווית החלקה צף פנימה [0, 1] . כאשר > 0 , ערכי התווית מוחלקים, כלומר האמון על ערכי התווית נרגע. למשל labelSmoothing=0.2 אומר שנשתמש בערך של 0.1 עבור תווית 0 ו 0.9 עבור תווית 1

Public CategoricalCrossentropy (Ops tf, Boolean fromLogits, float labelSmoothing, Reduction reduce)

יוצר הפסד אנטרופיה צולבת קטגורית באמצעות getSimpleName() כשם ההפסד וציר ערוץ של DEFAULT_AXIS

פרמטרים
tf ה- TensorFlow Ops
מLogits האם לפרש תחזיות כטנזור של ערכי לוגיט
תווית החלקה צף פנימה [0, 1] . כאשר > 0 , ערכי התווית מוחלקים, כלומר האמון על ערכי התווית נרגע. למשל x=0.2 אומר שנשתמש בערך של 0.1 עבור תווית 0 ו 0.9 עבור תווית 1
צִמצוּם סוג ההפחתה להחלה על אובדן.

public CategoricalCrossentropy (Ops tf, שם מחרוזת, בוליאני מLogits, תווית ציפהSmoothing, הפחתת הפחתה , ציר int)

יוצר הפסד אנטרופיה צולבת קטגורית

פרמטרים
tf ה- TensorFlow Ops
שֵׁם שם האובדן הזה
מLogits האם לפרש תחזיות כטנזור של ערכי לוגיט
תווית החלקה צף פנימה [0, 1] . כאשר > 0 , ערכי התווית מוחלקים, כלומר האמון על ערכי התווית נרגע. למשל labelSmoothing=0.2 אומר שנשתמש בערך של 0.1 עבור תווית 0 ו 0.9 עבור תווית 1
צִמצוּם סוג ההפחתה להחלה על אובדן.
צִיר ציר הערוצים. axis=-1 מתאים לפורמט הנתונים "ערוצים אחרונים" וציר axis=1 מתאים לפורמט הנתונים "ערוצים תחילה". CHANNELS_LAST ו- CHANNELS_FIRST
זורק
חריג טיעון לא חוקי אם labelSmoothing אינו בטווח הכולל של 0. - 1.

שיטות ציבוריות

קריאת Operand <T> ציבורית ( Operand <? מרחיב את התוויות של TNumber >, תחזיות Operand <T>, Oprand <T> דוגמת משקלים)

יוצר אופרנד שמחשב את ההפסד.

אם ההפעלה במצב גרף, החישוב יזרוק TFInvalidArgumentException אם ערכי החיזויים נמצאים מחוץ לטווח o [0. ל-1.]. במצב להוט, קריאה זו תזרוק IllegalArgumentException , אם ערכי החיזויים נמצאים מחוץ לטווח o [0. ל-1.]

פרמטרים
תוויות ערכי האמת או התוויות
תחזיות הערכים החיזויים חייבים להיות בטווח [0. עד 1.] כולל.
משקולות לדוגמה SampleWeights אופציונליים פועלים כמקדם לאובדן. אם מסופק סקלר, אז ההפסד פשוט מוגדל לפי הערך הנתון. אם SampleWeights הוא טנסור בגודל [batch_size], אז ההפסד הכולל עבור כל דגימה של האצווה משתנה מחדש על ידי האלמנט המתאים בוקטור SampleWeights. אם הצורה של SampleWeights היא [batch_size, d0, ..dN-1] (או שניתן לשדר אותה לצורה זו), אז כל רכיב אובדן של חיזויים משתנה לפי הערך המתאים של SampleWeights. (הערה לגבי dN-1: כל פונקציות האובדן מצטמצמות בממד אחד, בדרך כלל ציר=-1.)
החזרות
  • ההפסד
זורק
חריג טיעון לא חוקי אם התחזיות הן מחוץ לטווח [0.-1.].