TensorFlow kembali hadir di Google I/O pada 14 Mei! Daftar sekarang

Halaman ini diterjemahkan oleh Cloud Translation API.

CategoricalCrossentropy

Crossentropy Kategorikal kelas publik

Menghitung kerugian crossentropy antara label dan prediksi.

Gunakan fungsi kerugian crossentropy ini ketika ada dua atau lebih kelas label. Kami mengharapkan label diberikan dalam representasi one_hot. Jika Anda ingin memberikan label sebagai bilangan bulat, gunakan kerugian SparseCategoricalCrossentropy . Harus ada # classes per fitur.

Penggunaan mandiri:

    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

Memanggil dengan berat sampel:

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

Menggunakan tipe pengurangan SUM :

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

Menggunakan tipe reduksi NONE :

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

Konstanta

ke dalam	DEFAULT_AXIS
boolean	DARI_LOGITS_DEFAULT
mengambang	LABEL_SMOOTHING_DEFAULT

Bidang Warisan

Dari kelas org.tensorflow.framework.losses.Loss

Pengurangan akhir statis publik REDUCTION_DEFAULT

Konstruktor Publik

	Crossentropy Kategoris (Ops tf) Membuat Kerugian entropi silang kategoris menggunakan `getSimpleName()` sebagai nama kerugian, `FROM_LOGITS_DEFAULT` untuk fromLogits, `LABEL_SMOOTHING_DEFAULT` untuk labelSmoothing, Pengurangan Kerugian `REDUCTION_DEFAULT` , dan sumbu `DEFAULT_AXIS`
	Crossentropy Kategoris (Ops tf, Nama string) Membuat Kerugian entropi silang kategoris menggunakan `FROM_LOGITS_DEFAULT` untuk fromLogits, `LABEL_SMOOTHING_DEFAULT` untuk labelSmoothing, Pengurangan Kerugian sebesar `REDUCTION_DEFAULT` , dan sumbu `DEFAULT_AXIS`
	Crossentropy Kategoris (Ops tf, Reduksi reduksi) Membuat Kerugian entropi silang kategoris menggunakan `getSimpleName()` sebagai nama kerugian, `FROM_LOGITS_DEFAULT` untuk fromLogits, `LABEL_SMOOTHING_DEFAULT` untuk labelSmoothing dan sumbu `DEFAULT_AXIS`
	Crossentropy Kategoris (Ops tf, Nama string, Reduksi reduksi) Membuat Kerugian entropi silang kategoris `FROM_LOGITS_DEFAULT` untuk fromLogits, `LABEL_SMOOTHING_DEFAULT` untuk labelSmoothing, dan sumbu `DEFAULT_AXIS`
	Crossentropy Kategoris (Ops tf, boolean fromLogits) Membuat Kerugian entropi silang kategoris menggunakan `getSimpleName()` sebagai nama kerugian, `LABEL_SMOOTHING_DEFAULT` untuk labelSmoothing, Pengurangan Kerugian sebesar `REDUCTION_DEFAULT` , dan sumbu `DEFAULT_AXIS`
	CategoricalCrossentropy (Ops tf, Nama string, boolean fromLogits) Membuat Kerugian entropi silang kategoris menggunakan `LABEL_SMOOTHING_DEFAULT` untuk labelSmoothing, Pengurangan Kerugian sebesar `REDUCTION_DEFAULT` , dan sumbu saluran `DEFAULT_AXIS`
	Crossentropy Kategoris (Ops tf, boolean fromLogits, float labelSmoothing) Membuat Loss entropi silang kategoris menggunakan `getSimpleName()` sebagai nama kerugian, Pengurangan Kerugian `REDUCTION_DEFAULT` , dan sumbu saluran `DEFAULT_AXIS`
	CategoricalCrossentropy (Ops tf, Nama string, boolean fromLogits, float labelSmoothing) Membuat Kerugian entropi silang kategoris menggunakan Pengurangan Kerugian `REDUCTION_DEFAULT` , dan sumbu saluran `DEFAULT_AXIS`
	CategoricalCrossentropy (Ops tf, boolean fromLogits, float labelSmoothing, Pengurangan pengurangan) Membuat Kerugian entropi silang kategoris menggunakan `getSimpleName()` sebagai nama kerugian dan sumbu saluran `DEFAULT_AXIS`
	CategoricalCrossentropy (Ops tf, Nama string, boolean fromLogits, label floatSmoothing, Pengurangan reduksi, sumbu int) Menciptakan Kerugian entropi silang kategoris

Metode Publik

<T memperluas TNomber > Operan <T>

panggilan ( Operand <? extends TNumber > label, prediksi Operand <T>, Operand <T> sampleWeights)

Menghasilkan Operan yang menghitung kerugian.

Metode Warisan

Dari kelas org.tensorflow.framework.losses.Loss

abstrak <T extends TNumber > Operan <T>	panggilan ( Operand <? extends TNumber > label, prediksi Operand <T>, Operand <T> sampleWeights) Menghasilkan Operan yang menghitung kerugian.
<T memperluas TNomber > Operan <T>	panggilan ( Operand <? extends TNumber > label, prediksi Operand <T>) Menghitung kerugiannya
Pengurangan	dapatkan Pengurangan () Mendapatkan pengurangan kerugian
Operasi	dapatkanTF () Mendapatkan Operasi TensorFlow

Dari kelas java.lang.Object

boolean	sama dengan (Objek arg0)
Kelas terakhir<?>	dapatkan Kelas ()
ke dalam	Kode hash ()
kekosongan terakhir	memberitahu ()
kekosongan terakhir	beri tahuSemua ()
Rangkaian	keString ()
kekosongan terakhir	tunggu (arg0 panjang, int arg1)
kekosongan terakhir	tunggu (argumen panjang0)
kekosongan terakhir	Tunggu ()

Konstanta

int akhir statis publik DEFAULT_AXIS

Nilai Konstan: -1

boolean akhir statis publik FROM_LOGITS_DEFAULT

Nilai Konstan: salah

float akhir statis publik LABEL_SMOOTHING_DEFAULT

Nilai Konstan: 0,0

Konstruktor Publik

Crossentropy Kategoris publik (Ops tf)

Membuat Kerugian entropi silang kategoris menggunakan getSimpleName() sebagai nama kerugian, FROM_LOGITS_DEFAULT untuk fromLogits, LABEL_SMOOTHING_DEFAULT untuk labelSmoothing, Pengurangan Kerugian REDUCTION_DEFAULT , dan sumbu DEFAULT_AXIS

Parameter

tf	Operasi TensorFlow

public CategoricalCrossentropy (Ops tf, Nama string)

Membuat Kerugian entropi silang kategoris menggunakan FROM_LOGITS_DEFAULT untuk fromLogits, LABEL_SMOOTHING_DEFAULT untuk labelSmoothing, Pengurangan Kerugian sebesar REDUCTION_DEFAULT , dan sumbu DEFAULT_AXIS

Parameter

tf	Operasi TensorFlow
nama	nama kerugian ini

public CategoricalCrossentropy (Ops tf, Pengurangan pengurangan)

Parameter

tf	Operasi TensorFlow
pengurangan	Jenis Pengurangan yang diterapkan pada kerugian.

public CategoricalCrossentropy (Ops tf, Nama string, Pengurangan pengurangan)

Membuat Kerugian entropi silang kategoris FROM_LOGITS_DEFAULT untuk fromLogits, LABEL_SMOOTHING_DEFAULT untuk labelSmoothing, dan sumbu DEFAULT_AXIS

Parameter

tf	Operasi TensorFlow
nama	nama kerugian ini
pengurangan	Jenis Pengurangan yang diterapkan pada kerugian.

Crossentropy Kategorikal publik (Ops tf, boolean fromLogits)

Membuat Kerugian entropi silang kategoris menggunakan getSimpleName() sebagai nama kerugian, LABEL_SMOOTHING_DEFAULT untuk labelSmoothing, Pengurangan Kerugian sebesar REDUCTION_DEFAULT , dan sumbu DEFAULT_AXIS

Parameter

tf	Operasi TensorFlow
dariLogits	Apakah akan menafsirkan prediksi sebagai tensor nilai logit

public CategoricalCrossentropy (Ops tf, nama String, boolean fromLogits)

Membuat Kerugian entropi silang kategoris menggunakan LABEL_SMOOTHING_DEFAULT untuk labelSmoothing, Pengurangan Kerugian sebesar REDUCTION_DEFAULT , dan sumbu saluran DEFAULT_AXIS

Parameter

tf	Operasi TensorFlow
nama	nama kerugian ini
dariLogits	Apakah akan menafsirkan prediksi sebagai tensor nilai logit

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

Membuat Loss entropi silang kategoris menggunakan getSimpleName() sebagai nama kerugian, Pengurangan Kerugian REDUCTION_DEFAULT , dan sumbu saluran DEFAULT_AXIS

Parameter

tf	Operasi TensorFlow
dariLogits	Apakah akan menafsirkan prediksi sebagai tensor nilai logit
label Menghaluskan	Mengapung di `[0, 1]` . Jika `> 0` , nilai label dihaluskan, yang berarti keyakinan pada nilai label dilonggarkan. misal `labelSmoothing=0.2` artinya kita akan menggunakan nilai `0.1` untuk label `0` dan `0.9` untuk label `1`

public CategoricalCrossentropy (Ops tf, Nama string, boolean fromLogits, float labelSmoothing)

Membuat Kerugian entropi silang kategoris menggunakan Pengurangan Kerugian REDUCTION_DEFAULT , dan sumbu saluran DEFAULT_AXIS

Parameter

tf	Operasi TensorFlow
nama	nama kerugian ini
dariLogits	Apakah akan menafsirkan prediksi sebagai tensor nilai logit
label Menghaluskan	Mengapung di `[0, 1]` . Jika `> 0` , nilai label dihaluskan, yang berarti keyakinan pada nilai label dilonggarkan. misal `labelSmoothing=0.2` artinya kita akan menggunakan nilai `0.1` untuk label `0` dan `0.9` untuk label `1`

public CategoricalCrossentropy (Ops tf, boolean fromLogits, float labelSmoothing, Pengurangan pengurangan)

Membuat Kerugian entropi silang kategoris menggunakan getSimpleName() sebagai nama kerugian dan sumbu saluran DEFAULT_AXIS

Parameter

tf	Operasi TensorFlow
dariLogits	Apakah akan menafsirkan prediksi sebagai tensor nilai logit
label Menghaluskan	Mengapung di `[0, 1]` . Jika `> 0` , nilai label dihaluskan, yang berarti keyakinan pada nilai label dilonggarkan. misal `x=0.2` artinya kita akan menggunakan nilai `0.1` untuk label `0` dan `0.9` untuk label `1`
pengurangan	Jenis Pengurangan yang diterapkan pada kerugian.

public CategoricalCrossentropy (Ops tf, Nama string, boolean fromLogits, float labelSmoothing, Reduksi reduksi, int axis)

Menciptakan Kerugian entropi silang kategoris

Parameter

tf	Operasi TensorFlow
nama	nama kerugian ini
dariLogits	Apakah akan menafsirkan prediksi sebagai tensor nilai logit
label Menghaluskan	Mengapung di `[0, 1]` . Jika `> 0` , nilai label dihaluskan, yang berarti keyakinan pada nilai label dilonggarkan. misal `labelSmoothing=0.2` artinya kita akan menggunakan nilai `0.1` untuk label `0` dan `0.9` untuk label `1`
pengurangan	Jenis Pengurangan yang diterapkan pada kerugian.
sumbu	Sumbu saluran. `axis=-1` sesuai dengan format data "Saluran Terakhir" dan `axis=1` sesuai dengan format data "Saluran Pertama". `CHANNELS_LAST` dan `CHANNELS_FIRST`

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 terkait 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

kerugian

Melempar

Pengecualian Argumen Ilegal	jika prediksi berada di luar rentang [0.-1.].