Losses

خسائر الطبقة العامة

وظائف الخسارة المضمنة.

الثوابت

كثافة العمليات القنوات_أولاً
كثافة العمليات القنوات_الأخيرة
يطفو إبسيلون عامل الزغب الافتراضي.

المقاولون العامون

الخسائر ()

الأساليب العامة

ثابت <T يمتد TNumber > المعامل <T>
BinaryCrossentropy (Ops tf، Operand <؟ يمتد تسميات TNumber >، تنبؤات Operand <T>، منطقية fromLogits، float labelSmoothing)
يحسب خسارة الانتروبيا الثنائية بين التسميات والتنبؤات.
ثابت <T يمتد TNumber > المعامل <T>
categoricalCrossentropy (Ops tf، Operand <؟ يمتد تسميات TNumber >، تنبؤات Operand <T>، منطقية fromLogits، تسمية عائمة، تجانس، محور int)
يحسب الخسارة الفئوية للانتروبيا المتبادلة بين التسميات والتنبؤات.
ثابت <T يمتد TNumber > المعامل <T>
categoricalHinge (Ops tf، Operand <؟ يمتد تسميات TNumber >، تنبؤات Operand <T>)
يحسب خسارة المفصلة الفئوية بين التسميات والتنبؤات.
ثابت <T يمتد TNumber > المعامل <T>
تشابه جيب التمام (Ops tf، المعامل <؟ يمتد تسميات TNumber >، تنبؤات المعامل <T>، المحور int[])
يحسب فقدان تشابه جيب التمام بين التسميات والتنبؤات.
ثابت <T يمتد TNumber > المعامل <T>
المفصلة (Ops tf، المعامل <؟ يمتد تسميات TNumber >، تنبؤات المعامل <T>)
يحسب فقدان المفصلة بين التسميات والتنبؤات

loss = reduceMean(maximum(1 - labels * predictions, 0))

ثابت <T يمتد TNumber > المعامل <T>
huber (Ops tf، المعامل <؟ يمتد تسميات TNumber >، تنبؤات المعامل <T>، دلتا العائمة)
يحسب خسارة Huber بين التسميات والتنبؤات.
ثابت <T يمتد TNumber > المعامل <T>
kullbackLeiblerDivergence (Ops tf، المعامل <؟ يمتد تسميات TNumber >، تنبؤات المعامل <T>)
يحسب خسارة التباعد Kullback-Leibler بين التسميات والتنبؤات.
ثابت <T يمتد TNumber > المعامل <T>
l2تطبيع (Ops tf، المعامل <T> x، المحور int[])
يتم التطبيع على طول محور البعد باستخدام معيار L2.
ثابت <T يمتد TNumber > المعامل <T>
logCosh (Ops tf، Operand <؟ يمتد تسميات TNumber >، تنبؤات Operand <T>)
يحسب خسارة جيب التمام الزائدي بين التسميات والتنبؤات.
ثابت <T يمتد TNumber > المعامل <T>
خطأ متوسط ​​(Ops tf، معامل <؟ يمتد تسميات TNumber >، تنبؤات معامل <T>)
لحساب متوسط ​​الخطأ المطلق بين التسميات والتنبؤات.
ثابت <T يمتد TNumber > المعامل <T>
meanAbsolutePercentageError (Ops tf، Operand <؟ يمتد تسميات TNumber >، تنبؤات Operand <T>)
لحساب متوسط ​​النسبة المئوية للخطأ المطلق بين التسميات والتنبؤات.
ثابت <T يمتد TNumber > المعامل <T>
meanSquaredError (Ops tf، Operand <؟ يمتد تسميات TNumber >، تنبؤات Operand <T>)
يحسب متوسط ​​الخطأ التربيعي بين التسميات والتنبؤات.
ثابت <T يمتد TNumber > المعامل <T>
meanSquaredLogarithmicError (Ops tf، Operand <؟ يمتد تسميات TNumber >، تنبؤات Operand <T>)
لحساب متوسط ​​الخطأ اللوغاريتمي التربيعي بين التسميات والتنبؤات.
ثابت <T يمتد TNumber > المعامل <T>
بواسون (Ops tf، المعامل <؟ يمتد تسميات TNumber >، تنبؤات المعامل <T>)
يحسب خسارة بواسون بين التسميات والتنبؤات.
ثابت <T يمتد TNumber > المعامل <T>
متفرقةCategoricalCrossentropy (Ops tf، Operand <؟ يمتد تسميات TNumber >، تنبؤات Operand <T>، منطقية fromLogits، محور int)
يحسب الخسارة الفئوية المتفرقة بين التسميات والتنبؤات.
ثابت <T يمتد TNumber > المعامل <T>
SquaredHinge (Ops tf، Operand <؟ يمتد تسميات TNumber >، تنبؤات Operand <T>)
يحسب خسارة المفصلة التربيعية بين التسميات والتنبؤات.

الطرق الموروثة

الثوابت

نهائي عام ثابت CHANNELS_FIRST

القيمة الثابتة: 1

نهائي عام ثابت CHANNELS_LAST

القيمة الثابتة: -1

التعويم النهائي العام الثابت EPSILON

عامل الزغب الافتراضي.

القيمة الثابتة: 1.0E-7

المقاولون العامون

الخسائر العامة ()

الأساليب العامة

المعامل الثابت العام <T> ثنائي كروسنتروبي (Ops tf، المعامل <؟ يمتد تسميات TNumber >، تنبؤات المعامل <T>، منطقية fromLogits، تسمية عائمة تجانس)

يحسب خسارة الانتروبيا الثنائية بين التسميات والتنبؤات.

حدود
tf عمليات TensorFlow
تسميات أهداف حقيقية
التنبؤات التوقعات
fromLogits ما إذا كان سيتم تفسير التنبؤات على أنها موتر للقيم اللوغاريتمية
labelSmoothing رقم في النطاق [0، 1]. عندما 0، لا يحدث أي تجانس. عندما يكون > 0، قم بحساب الخسارة بين التسميات المتوقعة والنسخة المتجانسة من التسميات الحقيقية، حيث يؤدي التجانس إلى ضغط التسميات نحو 0.5. تتوافق القيم الأكبر لـ labelSmoothing مع تجانس أثقل.
عائدات
  • فقدان الانتروبيا الثنائية.

المعامل الثابت العام <T> categoricalCrossentropy (Ops tf، المعامل <؟ يمتد تسميات TNumber >، تنبؤات المعامل <T>، منطقية fromLogits، تسمية عائمة، تجانس، محور int)

يحسب الخسارة الفئوية للانتروبيا المتبادلة بين التسميات والتنبؤات.

حدود
tf عمليات TensorFlow
تسميات أهداف حقيقية
التنبؤات التوقعات
fromLogits ما إذا كان سيتم تفسير التنبؤات على أنها موتر للقيم اللوغاريتمية
labelSmoothing تطفو في [0, 1] . عندما يكون > 0 ، يتم تسوية قيم التسمية، مما يعني تخفيف الثقة في قيم التسمية. على سبيل المثال، labelSmoothing=0.2 يعني أننا سنستخدم قيمة 0.1 للتسمية 0 و 0.9 للتسمية 1
محور ال
عائدات
  • الخسارة القاطعة للانتروبيا.

المعامل الثابت العام <T> categoricalHinge (Ops tf، المعامل <؟ يمتد تسميات TNumber >، تنبؤات المعامل <T>)

يحسب خسارة المفصلة الفئوية بين التسميات والتنبؤات.

حدود
tf عمليات TensorFlow
تسميات الأهداف الحقيقية، من المتوقع أن تكون القيم 0 أو 1.
التنبؤات التوقعات
عائدات
  • خسارة المفصلة الفئوية

المعامل الثابت العام <T> cosineSimilarity (Ops tf، المعامل <؟ يمتد تسميات TNumber >، تنبؤات المعامل <T>، المحور int[])

يحسب فقدان تشابه جيب التمام بين التسميات والتنبؤات.

لاحظ أنه رقم يقع بين -1 و 1 ، وهو يختلف عن التعريف الرياضي لتشابه جيب التمام حيث يمثل 1 ناقلات متشابهة، ويمثل 0 ناقلات غير متشابهة. في هذه الدالة، يتم قلب الأرقام في نطاق من -1 إلى 1 . عندما يكون رقمًا سالبًا بين -1 و 0 ، يشير 0 إلى التعامد والقيم الأقرب إلى -1 تشير إلى تشابه أكبر. تشير القيم الأقرب إلى 1 إلى اختلاف أكبر. وهذا يجعلها قابلة للاستخدام كدالة خسارة في بيئة تحاول فيها زيادة القرب بين التوقعات والأهداف. إذا كانت أي من التسميات أو التنبؤات متجهًا صفريًا، فسيكون تشابه جيب التمام 0 بغض النظر عن القرب بين التنبؤات والأهداف.

loss = -sum(l2Norm(labels) * l2Norm(predictions))

حدود
tf عمليات TensorFlow
تسميات أهداف حقيقية
التنبؤات التوقعات
محور المحور الذي يتم من خلاله تحديد التشابه.
عائدات
  • فقدان التشابه جيب التمام

مفصلة المعامل <T> الثابتة العامة ( Ops tf، المعامل <؟ يمتد تسميات TNumber >، تنبؤات المعامل <T>)

يحسب فقدان المفصلة بين التسميات والتنبؤات

loss = reduceMean(maximum(1 - labels * predictions, 0))

حدود
tf عمليات TensorFlow
تسميات الأهداف الحقيقية، من المتوقع أن تكون القيم -1 أو 1. إذا تم توفير تسميات ثنائية (0 أو 1)، فسيتم تحويلها إلى -1 أو 1.
التنبؤات التوقعات
عائدات
  • خسارة المفصلة

المعامل الثابت العام <T> huber (Ops tf، المعامل <؟ يمتد تسميات TNumber >، تنبؤات المعامل <T>، دلتا العائمة)

يحسب خسارة Huber بين التسميات والتنبؤات.

لكل قيمة x في الخطأ = التسميات - التنبؤات: 

     loss = 0.5 * x^2                  if |x| <= d
     loss = 0.5 * d^2 + d * (|x| - d)  if |x| > d

حيث د هو دلتا.

حدود
tf عمليات TensorFlow
تسميات أهداف حقيقية
التنبؤات التوقعات
دلتا النقطة التي تتغير فيها دالة خسارة Huber من الدرجة الثانية إلى الخطية.
عائدات
  • خسارة هوبر

المعامل الثابت العام <T> kullbackLeiblerDivergence (Ops tf، المعامل <؟ يمتد تسميات TNumber >، تنبؤات المعامل <T>)

يحسب خسارة التباعد Kullback-Leibler بين التسميات والتنبؤات.

حدود
tf عمليات TensorFlow
تسميات أهداف حقيقية
التنبؤات التوقعات
عائدات
  • خسارة تباعد كولباك-ليبلر
أنظر أيضا

المعامل الثابت العام <T> l2Normalize (Ops tf، المعامل <T> x، المحور int[])

يتم التطبيع على طول محور البعد باستخدام معيار L2.

حدود
tf عمليات TensorFlow
س المدخل
محور البعد الذي يتم من خلاله التطبيع.
عائدات
  • القيم الطبيعية على أساس قاعدة L2

المعامل الثابت العام <T> logCosh (Ops tf، المعامل <؟ يمتد تسميات TNumber >، تنبؤات المعامل <T>)

يحسب خسارة جيب التمام الزائدي بين التسميات والتنبؤات.

log(cosh(x)) يساوي تقريبًا (x ** 2) / 2 لـ x صغير و abs(x) - log(2) لـ x كبير . وهذا يعني أن "logCosh" يعمل في الغالب مثل متوسط ​​الخطأ التربيعي، ولكنه لن يتأثر بشدة بالتنبؤات غير الصحيحة إلى حد كبير في بعض الأحيان.

حدود
tf عمليات TensorFlow
تسميات أهداف حقيقية
التنبؤات التوقعات
عائدات
  • فقدان تباعد جيب التمام الزائدي

المعامل الثابت العام <T> يعني الخطأ المطلق (Ops tf، المعامل <؟ يمتد تسميات TNumber >، تنبؤات المعامل <T>)

لحساب متوسط ​​الخطأ المطلق بين التسميات والتنبؤات.

loss = reduceMean(abs(labels - predictions))

حدود
tf عمليات TensorFlow
تسميات لواصق
التنبؤات التوقعات
عائدات
  • متوسط ​​الخطأ المطلق

المعامل الثابت العام <T> يعني AbsolutePercentageError (Ops tf، المعامل <؟ يمتد تسميات TNumber >، تنبؤات المعامل <T>)

لحساب متوسط ​​النسبة المئوية للخطأ المطلق بين التسميات والتنبؤات.

loss = 100 * reduceMean(abs((labels - predictions) / labels))

حدود
tf عمليات TensorFlow
تسميات لواصق
التنبؤات التوقعات
عائدات
  • متوسط ​​النسبة المئوية للخطأ المطلق

المعامل الثابت العام <T> يعنيSquaredError (Ops tf، المعامل <؟ يمتد تسميات TNumber >، تنبؤات المعامل <T>)

يحسب متوسط ​​الخطأ التربيعي بين التسميات والتنبؤات.

loss = reduceMean(square(labels - predictions))

حدود
tf عمليات TensorFlow
تسميات لواصق
التنبؤات التوقعات
عائدات
  • متوسط ​​الخطأ التربيعي

المعامل الثابت العام <T> يعنيSquaredLogarithmicError (Ops tf، المعامل <؟ يمتد تسميات TNumber >، تنبؤات المعامل <T>)

لحساب متوسط ​​الخطأ اللوغاريتمي التربيعي بين التسميات والتنبؤات.

loss = reduceMean(square(log(labels + 1) - log(predictions + 1)))

حدود
tf عمليات TensorFlow
تسميات لواصق
التنبؤات التوقعات
عائدات
  • متوسط ​​نسبة الخطأ اللوغاريتمي التربيعي

المعامل الثابت العام <T> بواسون (Ops tf، المعامل <؟ يمتد تسميات TNumber >، تنبؤات المعامل <T>)

يحسب خسارة بواسون بين التسميات والتنبؤات.

خسارة بواسون هي متوسط ​​عناصر predictions - labels * log(predictions) .

حدود
tf عمليات TensorFlow
تسميات أهداف حقيقية
التنبؤات التوقعات
عائدات
  • خسارة بواسون

المعامل الثابت العام <T> متفرقCategoricalCrossentropy (Ops tf، المعامل <؟ يمتد تسميات TNumber >، تنبؤات المعامل <T>، المنطقية fromLogits، المحور int)

يحسب الخسارة الفئوية المتفرقة بين التسميات والتنبؤات.

حدود
tf عمليات TensorFlow
تسميات أهداف حقيقية
التنبؤات التوقعات
fromLogits ما إذا كان من المتوقع أن تكون التوقعات سجلات أم لا. بشكل افتراضي، من المفترض أن التنبؤات تشفر التوزيع الاحتمالي.
محور البعد الذي يتم من خلاله حساب الإنتروبيا.
عائدات
  • الخسارة الفئوية المتفرقة

المعامل الثابت العام <T> التربيعي (Ops tf، المعامل <؟ يمتد تسميات TNumber >، تنبؤات المعامل <T>)

يحسب خسارة المفصلة التربيعية بين التسميات والتنبؤات.

loss = reduceMean(square(maximum(1 - labels * predictions, 0)))

حدود
tf عمليات TensorFlow
تسميات الأهداف الحقيقية، من المتوقع أن تكون القيم -1 أو 1. إذا تم توفير التسميات الثنائية (0 أو 1) *، فسيتم تحويلها إلى -1 أو 1.
التنبؤات التوقعات
عائدات
  • خسارة المفصلة التربيعية