CategoricalHinge

classe pública CategoricalHinge

Calcula a perda de dobradiça categórica entre rótulos e previsões.

loss = maximum(neg - pos + 1, 0) onde neg=maximum((1-labels)*predictions) e pos=sum(labels*predictions)

espera-se que os valores labels sejam 0 ou 1.

Uso autônomo:

    Operand<TFloat32> labels =
        tf.constant(new float[][] { {0, 1}, {0, 0} });
    Operand<TFloat32> predictions =
        tf.constant(new float[][] { {0.6f, 0.4f}, {0.4f, 0.6f} });
    CategoricalHinge categoricalHinge = new CategoricalHinge(tf);
    Operand<TFloat32> result = categoricalHinge.call(labels, predictions);
    // produces 1.4
 

Chamando com peso amostral:

    Operand<TFloat32> sampleWeight = tf.constant(new float[] {1f, 0.f});
    Operand<TFloat32> result = categoricalHinge.call(labels, predictions, sampleWeight);
    // produces 0.6f
 

Usando o tipo de redução SUM :

    CategoricalHinge categoricalHinge = new CategoricalHinge(tf, Reduction.SUM);
    Operand<TFloat32> result = categoricalHinge.call(labels, predictions);
    // produces 2.8f
 

Usando o tipo de redução NONE :

    CategoricalHinge categoricalHinge =
        new CategoricalHinge(tf, Reduction.NONE);
    Operand<TFloat32> result = categoricalHinge.call(labels, predictions);
    // produces [1.2f, 1.6f]
 

Campos Herdados

Da classe org.tensorflow.framework.losses.Loss

Redução final estática pública

REDUCTION_DEFAULT

Construtores Públicos

	CategóricaHinge (Ops tf) Cria uma perda de dobradiça categórica usando getSimpleName() como o nome da perda e uma redução de perda de REDUCTION_DEFAULT
	CategoricalHinge (Ops tf, redução de redução ) Cria uma perda de dobradiça categórica usando getSimpleName() como o nome da perda
	CategoricalHinge (Ops tf, nome da string, redução de redução ) Cria uma dobradiça categórica

Métodos Públicos

<T estende TNumber > Operando <T>

chamada ( Operando <? estende TNumber > rótulos, previsões de Operando <T>, Operando <T> sampleWeights) Gera um Operando que calcula a perda.

Métodos herdados

Da classe org.tensorflow.framework.losses.Loss

abstrato <T estende TNumber > Operando <T>	chamada ( Operando <? estende TNumber > rótulos, previsões de Operando <T>, Operando <T> sampleWeights) Gera um Operando que calcula a perda.
<T estende TNumber > Operando <T>	chamada ( Operando <? estende TNumber > rótulos, previsões de Operando <T>) Calcula a perda
Redução	getRedução () Obtém a redução de perdas
Operações	obterTF () Obtém as operações do TensorFlow

Da classe java.lang.Object

boleano	é igual (objeto arg0)
aula final<?>	getClass ()
interno	código hash ()
vazio final	notificar ()
vazio final	notificar todos ()
Corda	para sequenciar ()
vazio final	espere (long arg0, int arg1)
vazio final	espere (arg0 longo)
vazio final	espere ()

Construtores Públicos

dobradiça categórica pública (Ops tf)

Cria uma perda de dobradiça categórica usando getSimpleName() como o nome da perda e uma redução de perda de REDUCTION_DEFAULT

Parâmetros

TF	as operações do TensorFlow

public CategoricalHinge (Ops tf, redução de redução )

Cria uma perda de dobradiça categórica usando getSimpleName() como o nome da perda

Parâmetros

TF	as operações do TensorFlow
redução	Tipo de Redução a aplicar à perda.

public CategoricalHinge (Ops tf, nome da string, redução de redução )

Cria uma dobradiça categórica

Parâmetros

TF	as operações do TensorFlow
nome	o nome da perda
redução	Tipo de Redução a aplicar à perda.

Métodos Públicos

chamada de operando público <T> ( Operando <? estende TNumber > rótulos, previsões de operando <T>, pesos de amostra de operando <T>)

Gera um Operando que calcula a perda.

Parâmetros

rótulos	os valores de verdade ou rótulos
previsões	as previsões
pesos de amostra	sampleWeights opcional atua como um coeficiente para a perda. Se um escalar for fornecido, a perda será simplesmente dimensionada pelo valor fornecido. Se SampleWeights for um tensor de tamanho [batch_size], então a perda total de cada amostra do lote será redimensionada pelo elemento correspondente no vetor SampleWeights. Se a forma de SampleWeights for [batch_size, d0, .. dN-1] (ou puder ser transmitida para esta forma), então cada elemento de perda de previsões será dimensionado pelo valor correspondente de SampleWeights. (Nota sobre dN-1: todas as funções de perda são reduzidas em 1 dimensão, geralmente eixo=-1.)

Devoluções

• a perda