KLDivergence

KLDivergensi kelas publik

Menghitung kerugian divergensi Kullback-Leibler antara label dan prediksi.

loss = labels * log(labels / predictions)

Penggunaan mandiri:

    Operand<TFloat32> labels =
        tf.constant(new float[][] { {0.f, 1.f}, {0.f, 0.f} });
    Operand<TFloat32> predictions =
        tf.constant(new float[][] { {0.6f, 0.4f}, {0.4f, 0.6f} });
    KLDivergence kld = new KLDivergence(tf);
    Operand<TFloat32> result = kld.call(labels, predictions);
    // produces 0.458
 

Memanggil dengan berat sampel:

    Operand<TFloat32> sampleWeight = tf.constant(new float[] {0.8f, 0.2f});
    Operand<TFloat32> result = kld.call(labels, predictions, sampleWeight);
    // produces 0.366f
 

Menggunakan tipe pengurangan SUM :

    KLDivergence kld = new KLDivergence(tf, Reduction.SUM);
    Operand<TFloat32> result = kld.call(labels, predictions);
    // produces 0.916f
 

Menggunakan tipe reduksi NONE :

    KLDivergence kld = new KLDivergence(tf, Reduction.NONE);
    Operand<TFloat32> result = kld.call(labels, predictions);
    // produces [0.916f, -3.08e-06f]
 

Lihat Juga

• Divergensi Kullback? Leibler

Bidang Warisan

Dari kelas org.tensorflow.framework.losses.Loss

Pengurangan akhir statis publik

REDUCTION_DEFAULT

Konstruktor Publik

	Divergensi KLD (Ops tf) Membuat Kerugian Divergensi Kullback Leibler menggunakan getSimpleName() sebagai nama kerugian dan Pengurangan Kerugian sebesar REDUCTION_DEFAULT
	KLDivergence (Ops tf, Pengurangan pengurangan) Membuat Kerugian Divergence Kullback Leibler menggunakan getSimpleName() sebagai nama kerugian
	KLDivergence (Ops tf, Nama string, Pengurangan pengurangan) Menghasilkan Kerugian Divergensi Kullback Leibler

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	beri tahu ()
kekosongan terakhir	beri tahuSemua ()
Rangkaian	keString ()
kekosongan terakhir	tunggu (arg0 panjang, int arg1)
kekosongan terakhir	tunggu (argumen panjang0)
kekosongan terakhir	Tunggu ()

Konstruktor Publik

Divergensi KLD publik (Ops tf)

Membuat Kerugian Divergensi Kullback Leibler menggunakan getSimpleName() sebagai nama kerugian dan Pengurangan Kerugian sebesar REDUCTION_DEFAULT

Parameter

tf	Operasi TensorFlow

Divergensi KLD publik (Ops tf, Pengurangan pengurangan)

Membuat Kerugian Divergence Kullback Leibler menggunakan getSimpleName() sebagai nama kerugian

Parameter

tf	Operasi TensorFlow
pengurangan	Jenis Pengurangan yang diterapkan pada kerugian.

KLDivergence publik (Ops tf, Nama string, Pengurangan pengurangan)

Menghasilkan Kerugian Divergensi Kullback Leibler

Parameter

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

Metode Publik

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

Menghasilkan Operan yang menghitung kerugian.

Parameter

label	nilai atau label kebenaran
prediksi	prediksi
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 yang sesuai 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

• kerugiannya