CategoricalCrossentropy

ชั้นเรียนสาธารณะ CategoricalCrossentropy

คำนวณการสูญเสียข้ามเอนโทรปีระหว่างป้ายกำกับและการทำนาย

ใช้ฟังก์ชันการสูญเสียข้ามเอนโทรปีนี้เมื่อมีคลาสเลเบลตั้งแต่สองคลาสขึ้นไป เราคาดหวังว่าจะมีการจัดเตรียมป้ายกำกับในรูปแบบ one_hot หากคุณต้องการระบุป้ายกำกับเป็นจำนวนเต็ม โปรดใช้การสูญเสีย SparseCategoricalCrossentropy ควรมีค่าจุดทศนิยม # classes ต่อจุดสนใจ

การใช้งานแบบสแตนด์อโลน:

    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
 

การโทรด้วยน้ำหนักตัวอย่าง:

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

การใช้ประเภทการลด SUM :

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

การใช้ประเภทการลด NONE :

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

ค่าคงที่

ภายใน	DEFAULT_AXIS
บูลีน	FROM_LOGITS_DEFAULT
ลอย	LABEL_SMOOTHING_DEFAULT

ฟิลด์ที่สืบทอดมา

จากคลาส org.tensorflow.framework.losses.Loss

การลด ขั้นสุดท้ายแบบคงที่สาธารณะ

ลด_ค่าเริ่มต้น

คอนสตรัคชั่นสาธารณะ

	หมวดหมู่ Crossentropy (Ops tf) สร้างการสูญเสียเอนโทรปีข้ามหมวดหมู่โดยใช้ getSimpleName() เป็นชื่อการสูญเสีย, FROM_LOGITS_DEFAULT สำหรับ fromLogits, LABEL_SMOOTHING_DEFAULT สำหรับ label Smoothing, การลดการสูญเสียของ REDUCTION_DEFAULT และแกนของ DEFAULT_AXIS
	หมวดหมู่ Crossentropy (Ops tf ชื่อสตริง) สร้างการสูญเสียเอนโทรปีข้ามหมวดหมู่โดยใช้ FROM_LOGITS_DEFAULT สำหรับ fromLogits, LABEL_SMOOTHING_DEFAULT สำหรับ label Smoothing, การลดการสูญเสีย REDUCTION_DEFAULT และแกนของ DEFAULT_AXIS
	หมวดหมู่ Crossentropy (Ops tf, ลด การลด ) สร้างการสูญเสียเอนโทรปีข้ามหมวดหมู่โดยใช้ getSimpleName() เป็นชื่อการสูญเสีย, FROM_LOGITS_DEFAULT สำหรับ fromLogits, LABEL_SMOOTHING_DEFAULT สำหรับ label Smoothing และแกนของ DEFAULT_AXIS
	หมวดหมู่ Crossentropy (Ops tf, ชื่อสตริง, การลด การลด ) สร้างเอนโทรปีข้ามหมวดหมู่ การสูญเสีย FROM_LOGITS_DEFAULT สำหรับ fromLogits, LABEL_SMOOTHING_DEFAULT สำหรับ label Smoothing และแกนของ DEFAULT_AXIS
	หมวดหมู่ Crossentropy (Ops tf, บูลีนจาก Logits) สร้างเอนโทรปีข้ามหมวดหมู่ Loss โดยใช้ getSimpleName() เป็นชื่อการสูญเสีย LABEL_SMOOTHING_DEFAULT สำหรับ label Smoothing การลดการสูญเสีย REDUCTION_DEFAULT และแกนของ DEFAULT_AXIS
	CategoricalCrossentropy (Ops tf, ชื่อสตริง, บูลีนจาก Logits) สร้างการสูญเสียเอนโทรปีข้ามหมวดหมู่โดยใช้ LABEL_SMOOTHING_DEFAULT สำหรับ label Smoothing, การลดการสูญเสีย REDUCTION_DEFAULT และแกนช่องสัญญาณเป็น DEFAULT_AXIS
	หมวดหมู่ Crossentropy (Ops tf, บูลีนจาก Logits, ป้ายกำกับลอยทำให้เรียบ) สร้าง cross entropy Loss แบบเด็ดขาดโดยใช้ getSimpleName() เป็นชื่อการสูญเสีย Loss Reduction เป็น REDUCTION_DEFAULT และแกนช่องเป็น DEFAULT_AXIS
	หมวดหมู่ Crossentropy (Ops tf, ชื่อสตริง, บูลีนจาก Logits, ป้ายกำกับโฟลตให้เรียบ) สร้างการสูญเสียเอนโทรปีข้ามหมวดหมู่โดยใช้การลดการสูญเสียของ REDUCTION_DEFAULT และแกนของช่องสัญญาณของ DEFAULT_AXIS
	หมวดหมู่ Crossentropy (Ops tf, บูลีนจาก Logits, ป้ายกำกับโฟลตการทำให้เรียบ, การลด การ ลด) สร้างการสูญเสียเอนโทรปีข้ามหมวดหมู่โดยใช้ getSimpleName() เป็นชื่อการสูญเสียและแกนช่องสัญญาณของ DEFAULT_AXIS
	หมวดหมู่ Crossentropy (Ops tf, ชื่อสตริง, บูลีนจาก Logits, ป้ายกำกับโฟลตทำให้เรียบ, การลด การลด , แกน int) สร้างการสูญเสียเอนโทรปีข้ามหมวดหมู่

วิธีการสาธารณะ

<T ขยาย TNumber > ตัวถูกดำเนินการ <T>

โทร ( ตัวดำเนินการ <? ขยาย TNumber > ป้ายกำกับ, ตัวดำเนินการ <T> การคาดคะเน, ตัวดำเนินการ <T> ตัวอย่างน้ำหนัก) สร้างตัวถูกดำเนินการที่คำนวณการสูญเสีย

วิธีการสืบทอด

จากคลาส org.tensorflow.framework.losses.Loss

บทคัดย่อ <T ขยาย TNumber > ตัวถูกดำเนินการ <T>	โทร ( ตัวดำเนินการ <? ขยาย TNumber > ป้ายกำกับ, ตัวดำเนินการ <T> การคาดคะเน, ตัวดำเนินการ <T> ตัวอย่างน้ำหนัก) สร้างตัวถูกดำเนินการที่คำนวณการสูญเสีย
<T ขยาย TNumber > ตัวถูกดำเนินการ <T>	โทร ( ตัวดำเนินการ <? ขยาย TNumber > ป้ายกำกับ, ตัวดำเนินการ <T> การคาดการณ์) คำนวณการสูญเสีย
การลดน้อยลง	ได้รับการลด () ได้รับการลดการสูญเสีย
ปฏิบัติการ	getTF () รับ Ops TensorFlow

จากคลาส java.lang.Object

บูลีน	เท่ากับ (วัตถุ arg0)
คลาสสุดท้าย<?>	รับคลาส ()
ภายใน	แฮชโค้ด ()
โมฆะสุดท้าย	แจ้ง ()
โมฆะสุดท้าย	แจ้งทั้งหมด ()
สตริง	toString ()
โมฆะสุดท้าย	รอสักครู่ (ยาว arg0, int arg1)
โมฆะสุดท้าย	รอ (ยาว arg0)
โมฆะสุดท้าย	รอ ()

ค่าคงที่

สาธารณะคงสุดท้าย int DEFAULT_AXIS

ค่าคงที่: -1

บูลีนสุดท้ายแบบคงที่สาธารณะ FROM_LOGITS_DEFAULT

ค่าคงที่: เท็จ

โฟลตสุดท้ายแบบคงที่สาธารณะ LABEL_SMOOTHING_DEFAULT

ค่าคงที่: 0.0

คอนสตรัคชั่นสาธารณะ

สาธารณะ CategoricalCrossentropy (Ops tf)

สร้างการสูญเสียเอนโทรปีข้ามหมวดหมู่โดยใช้ getSimpleName() เป็นชื่อการสูญเสีย, FROM_LOGITS_DEFAULT สำหรับ fromLogits, LABEL_SMOOTHING_DEFAULT สำหรับ label Smoothing, การลดการสูญเสียของ REDUCTION_DEFAULT และแกนของ DEFAULT_AXIS

พารามิเตอร์

ไม่	Ops ของ TensorFlow

สาธารณะ CategoricalCrossentropy (Ops tf ชื่อสตริง)

สร้างการสูญเสียเอนโทรปีข้ามหมวดหมู่โดยใช้ FROM_LOGITS_DEFAULT สำหรับ fromLogits, LABEL_SMOOTHING_DEFAULT สำหรับ label Smoothing, การลดการสูญเสีย REDUCTION_DEFAULT และแกนของ DEFAULT_AXIS

พารามิเตอร์

ไม่	Ops ของ TensorFlow
ชื่อ	ชื่อของการสูญเสียครั้งนี้

สาธารณะ CategoricalCrossentropy (Ops tf, การลด การลด )

สร้างการสูญเสียเอนโทรปีข้ามหมวดหมู่โดยใช้ getSimpleName() เป็นชื่อการสูญเสีย, FROM_LOGITS_DEFAULT สำหรับ fromLogits, LABEL_SMOOTHING_DEFAULT สำหรับ label Smoothing และแกนของ DEFAULT_AXIS

พารามิเตอร์

ไม่	Ops ของ TensorFlow
การลดน้อยลง	ประเภทของการลดที่จะใช้กับการสูญเสีย

สาธารณะ CategoricalCrossentropy (Ops tf ชื่อสตริง การลด การลด )

สร้างเอนโทรปีข้ามหมวดหมู่ การสูญเสีย FROM_LOGITS_DEFAULT สำหรับ fromLogits, LABEL_SMOOTHING_DEFAULT สำหรับ label Smoothing และแกนของ DEFAULT_AXIS

พารามิเตอร์

ไม่	Ops ของ TensorFlow
ชื่อ	ชื่อของการสูญเสียครั้งนี้
การลดน้อยลง	ประเภทของการลดที่จะใช้กับการสูญเสีย

สาธารณะ CategoricalCrossentropy (Ops tf, บูลีนจาก Logits)

สร้างเอนโทรปีข้ามหมวดหมู่ Loss โดยใช้ getSimpleName() เป็นชื่อการสูญเสีย LABEL_SMOOTHING_DEFAULT สำหรับ label Smoothing การลดการสูญเสีย REDUCTION_DEFAULT และแกนของ DEFAULT_AXIS

พารามิเตอร์

ไม่	Ops ของ TensorFlow
จากLogits	ไม่ว่าจะตีความการทำนายเป็นเทนเซอร์ของค่า logit หรือไม่

สาธารณะ CategoricalCrossentropy (Ops tf ชื่อสตริง บูลีนจาก Logits)

สร้างการสูญเสียเอนโทรปีข้ามหมวดหมู่โดยใช้ LABEL_SMOOTHING_DEFAULT สำหรับ label Smoothing, การลดการสูญเสีย REDUCTION_DEFAULT และแกนช่องสัญญาณเป็น DEFAULT_AXIS

พารามิเตอร์

ไม่	Ops ของ TensorFlow
ชื่อ	ชื่อของการสูญเสียครั้งนี้
จากLogits	ไม่ว่าจะตีความการทำนายเป็นเทนเซอร์ของค่า logit หรือไม่

สาธารณะ CategoricalCrossentropy (Ops tf, บูลีนจาก Logits, ป้ายกำกับโฟลตให้เรียบ)

สร้าง cross entropy Loss แบบเด็ดขาดโดยใช้ getSimpleName() เป็นชื่อการสูญเสีย Loss Reduction เป็น REDUCTION_DEFAULT และแกนช่องเป็น DEFAULT_AXIS

พารามิเตอร์

ไม่	Ops ของ TensorFlow
จากLogits	ไม่ว่าจะตีความการทำนายเป็นเทนเซอร์ของค่า logit หรือไม่
ฉลากปรับให้เรียบ	ลอยใน [0, 1] เมื่อ > 0 ค่าป้ายกำกับจะปรับให้เรียบ ซึ่งหมายความว่าความเชื่อมั่นในค่าป้ายกำกับจะผ่อนคลายลง เช่น labelSmoothing=0.2 หมายความว่าเราจะใช้ค่า 0.1 สำหรับป้ายกำกับ 0 และ 0.9 สำหรับป้ายกำกับ 1

สาธารณะ CategoricalCrossentropy (Ops tf ชื่อสตริง บูลีนจาก Logits ป้ายกำกับโฟลตให้เรียบ)

สร้างการสูญเสียเอนโทรปีข้ามหมวดหมู่โดยใช้การลดการสูญเสียของ REDUCTION_DEFAULT และแกนของช่องสัญญาณของ DEFAULT_AXIS

พารามิเตอร์

ไม่	Ops ของ TensorFlow
ชื่อ	ชื่อของการสูญเสียครั้งนี้
จากLogits	ไม่ว่าจะตีความการทำนายเป็นเทนเซอร์ของค่า logit หรือไม่
ฉลากปรับให้เรียบ	ลอยใน [0, 1] เมื่อ > 0 ค่าป้ายกำกับจะปรับให้เรียบ ซึ่งหมายความว่าความเชื่อมั่นในค่าป้ายกำกับจะผ่อนคลายลง เช่น labelSmoothing=0.2 หมายความว่าเราจะใช้ค่า 0.1 สำหรับป้ายกำกับ 0 และ 0.9 สำหรับป้ายกำกับ 1

สาธารณะ CategoricalCrossentropy (Ops tf, บูลีนจาก Logits, ป้ายกำกับโฟลตทำให้เรียบ, ลด การลด )

สร้างการสูญเสียเอนโทรปีข้ามหมวดหมู่โดยใช้ getSimpleName() เป็นชื่อการสูญเสียและแกนช่องสัญญาณของ DEFAULT_AXIS

พารามิเตอร์

ไม่	Ops ของ TensorFlow
จากLogits	ไม่ว่าจะตีความการทำนายเป็นเทนเซอร์ของค่า logit หรือไม่
ฉลากปรับให้เรียบ	ลอยใน [0, 1] เมื่อ > 0 ค่าป้ายกำกับจะปรับให้เรียบ ซึ่งหมายความว่าความเชื่อมั่นในค่าป้ายกำกับจะผ่อนคลายลง เช่น x=0.2 หมายความว่าเราจะใช้ค่า 0.1 สำหรับป้ายกำกับ 0 และ 0.9 สำหรับป้ายกำกับ 1
การลดน้อยลง	ประเภทของการลดที่จะใช้กับการสูญเสีย

สาธารณะ CategoricalCrossentropy (Ops tf, ชื่อสตริง, บูลีนจาก Logits, ป้ายกำกับโฟลตทำให้เรียบ, ลด การลด , แกน int)

สร้างการสูญเสียเอนโทรปีข้ามหมวดหมู่

พารามิเตอร์

ไม่	Ops ของ TensorFlow
ชื่อ	ชื่อของการสูญเสียครั้งนี้
จากLogits	ไม่ว่าจะตีความการทำนายเป็นเทนเซอร์ของค่า logit หรือไม่
ฉลากปรับให้เรียบ	ลอยใน [0, 1] เมื่อ > 0 ค่าป้ายกำกับจะปรับให้เรียบ ซึ่งหมายความว่าความเชื่อมั่นในค่าป้ายกำกับจะผ่อนคลายลง เช่น labelSmoothing=0.2 หมายความว่าเราจะใช้ค่า 0.1 สำหรับป้ายกำกับ 0 และ 0.9 สำหรับป้ายกำกับ 1
การลดน้อยลง	ประเภทของการลดที่จะใช้กับการสูญเสีย
แกน	แกนช่อง. axis=-1 สอดคล้องกับรูปแบบข้อมูล "Channels Last" และ axis=1 สอดคล้องกับรูปแบบข้อมูล "Channels First" CHANNELS_LAST และ CHANNELS_FIRST

ขว้าง

ข้อยกเว้นอาร์กิวเมนต์ที่ผิดกฎหมาย	ถ้า label Smoothing ไม่อยู่ในช่วงรวม 0 - 1

วิธีการสาธารณะ

ตัวดำเนินการ สาธารณะ <T> โทร ( ตัวดำเนินการ <? ขยาย TNumber > ป้ายกำกับ, ตัวดำเนินการ <T> การคาดการณ์, ตัวดำเนินการ <T> ตัวอย่างน้ำหนัก)

สร้างตัวถูกดำเนินการที่คำนวณการสูญเสีย

หากทำงานในโหมดกราฟ การคำนวณจะส่ง TFInvalidArgumentException หากค่าการคาดการณ์อยู่นอกช่วง o [0 ถึง 1.]. ในโหมด Eager การโทรนี้จะโยน IllegalArgumentException หากค่าการคาดการณ์อยู่นอกช่วง o [0 ถึง 1.]

พารามิเตอร์

ฉลาก	ค่าความจริงหรือป้ายกำกับ
การคาดการณ์	การทำนายค่าจะต้องอยู่ในช่วง [0 ถึง 1.] รวม
ตัวอย่างน้ำหนัก	SampleWeights ที่เป็นตัวเลือกจะทำหน้าที่เป็นสัมประสิทธิ์การสูญเสีย หากมีการระบุสเกลาร์ การสูญเสียก็จะถูกปรับขนาดตามค่าที่กำหนด หาก SampleWeights เป็นเทนเซอร์ที่มีขนาด [batch_size] ค่าที่สูญเสียทั้งหมดสำหรับแต่ละตัวอย่างในแบตช์จะถูกปรับขนาดใหม่โดยองค์ประกอบที่เกี่ยวข้องในเวกเตอร์ SampleWeights หากรูปร่างของ SampleWeights คือ [batch_size, d0, .. dN-1] (หรือสามารถถ่ายทอดไปยังรูปร่างนี้ได้) องค์ประกอบที่สูญเสียไปแต่ละรายการของการคาดการณ์จะถูกปรับขนาดตามค่าที่สอดคล้องกันของ SampleWeights (หมายเหตุสำหรับ dN-1: ฟังก์ชันการสูญเสียทั้งหมดลดลง 1 มิติ โดยปกติจะเป็นแกน=-1)

การส่งคืน

• การสูญเสีย

ขว้าง

ข้อยกเว้นอาร์กิวเมนต์ที่ผิดกฎหมาย	หากคำทำนายอยู่นอกช่วง [0.-1.]