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

Halaman ini diterjemahkan oleh Cloud Translation API.

Losses

Kerugian kelas publik

Fungsi kerugian bawaan.

Konstanta

ke dalam	SALURAN_PERTAMA
ke dalam	SALURAN_TERAKHIR
mengambang	EPSILON	Faktor Fuzz bawaan.

Konstruktor Publik

Kerugian ()

Metode Publik

statis <T memperluas TNomber > Operan <T>	binerCrossentropy (Ops tf, Operand <? extends TNumber > label, prediksi Operand <T>, boolean fromLogits, float labelSmoothing) Menghitung kerugian crossentropy biner antara label dan prediksi.
statis <T memperluas TNomber > Operan <T>	categoricalCrossentropy (Ops tf, Operand <? extends TNumber > labels, prediksi Operand <T>, boolean fromLogits, float labelSmoothing, int axis) Menghitung kerugian crossentropy kategoris antara label dan prediksi.
statis <T memperluas TNomber > Operan <T>	categoricalHinge (Ops tf, Operand <? extends TNumber > label, prediksi Operand <T>) Menghitung kerugian engsel kategoris antara label dan prediksi.
statis <T memperluas TNomber > Operan <T>	cosineSimilarity (Ops tf, Operand <? extends TNumber > label, prediksi Operand <T>, sumbu int[]) Menghitung hilangnya kesamaan kosinus antara label dan prediksi.
statis <T memperluas TNomber > Operan <T>	engsel (Ops tf, Operand <? extends TNumber > label, prediksi Operand <T>) Menghitung kerugian engsel antara label dan prediksi `loss = reduceMean(maximum(1 - labels * predictions, 0))`
statis <T memperluas TNomber > Operan <T>	huber (Ops tf, Operand <? extends TNumber > label, prediksi Operand <T>, float delta) Menghitung kerugian Huber antara label dan prediksi.
statis <T memperluas TNomber > Operan <T>	kullbackLeiblerDivergence (Ops tf, Operand <? extends TNumber > label, prediksi Operand <T>) Menghitung kerugian divergensi Kullback-Leibler antara label dan prediksi.
statis <T memperluas TNomber > Operan <T>	l2Normalisasi (Ops tf, Operan <T> x, sumbu int[]) Menormalkan sepanjang sumbu dimensi menggunakan norma L2.
statis <T memperluas TNomber > Operan <T>	logCosh (Ops tf, Operand <? extends TNumber > label, prediksi Operand <T>) Menghitung kerugian kosinus hiperbolik antara label dan prediksi.
statis <T memperluas TNomber > Operan <T>	meanAbsoluteError (Ops tf, Operand <? extends TNumber > label, prediksi Operand <T>) Menghitung rata-rata kesalahan absolut antara label dan prediksi.
statis <T memperluas TNomber > Operan <T>	meanAbsolutePercentageError (Ops tf, Operand <? extends TNumber > label, prediksi Operand <T>) Menghitung rata-rata persentase kesalahan absolut antara label dan prediksi.
statis <T memperluas TNomber > Operan <T>	meanSquaredError (Ops tf, Operand <? extends TNumber > label, prediksi Operand <T>) Menghitung rata-rata kesalahan kuadrat antara label dan prediksi.
statis <T memperluas TNomber > Operan <T>	meanSquaredLogarithmicError (Ops tf, Operand <? extends TNumber > label, prediksi Operand <T>) Menghitung rata-rata kesalahan logaritma kuadrat antara label dan prediksi.
statis <T memperluas TNomber > Operan <T>	poisson (Ops tf, Operand <? extends TNumber > label, prediksi Operand <T>) Menghitung kerugian Poisson antara label dan prediksi.
statis <T memperluas TNomber > Operan <T>	sparseCategoricalCrossentropy (Ops tf, Operand <? extends TNumber > label, prediksi Operand <T>, boolean fromLogits, int axis) Menghitung kerugian crossentropy kategoris yang jarang antara label dan prediksi.
statis <T memperluas TNomber > Operan <T>	squaredHinge (Ops tf, Operand <? extends TNumber > label, prediksi Operand <T>) Menghitung kerugian engsel kuadrat antara label dan prediksi.

Metode Warisan

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 CHANNELS_FIRST

Nilai Konstan: 1

int akhir statis publik CHANNELS_LAST

Nilai Konstan: -1

EPSILON pelampung akhir statis publik

Faktor Fuzz bawaan.

Nilai Konstan: 1.0E-7

Konstruktor Publik

Kerugian Umum ()

Metode Publik

Operand statis publik <T> binerCrossentropy (Ops tf, Operand <? extends TNumber > label, prediksi Operand <T>, boolean fromLogits, float labelSmoothing)

Menghitung kerugian crossentropy biner antara label dan prediksi.

Parameter

tf	Operasi TensorFlow
label	target yang sebenarnya
prediksi	prediksi
dariLogits	Apakah akan menafsirkan prediksi sebagai tensor nilai logit
label Menghaluskan	Angka dalam rentang [0, 1]. Ketika 0, tidak terjadi pemulusan. Jika > 0, hitung kerugian antara label yang diprediksi dan versi yang dihaluskan dari label yang sebenarnya, dengan penghalusan tersebut menekan label ke arah 0,5. Nilai labelSmoothing yang lebih besar berarti penghalusan yang lebih berat.

Kembali

kerugian crossentropy biner.

Public static Operand <T> categoricalCrossentropy (Ops tf, Operand <? extends TNumber > label, prediksi Operand <T>, boolean fromLogits, float labelSmoothing, int axis)

Menghitung kerugian crossentropy kategoris antara label dan prediksi.

Parameter

tf	Operasi TensorFlow
label	target yang sebenarnya
prediksi	prediksi
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`
sumbu	itu

Kembali

kerugian crossentropy kategoris.

Public static Operand <T> categoricalHinge (Ops tf, Operand <? extends TNumber > label, prediksi Operand <T>)

Menghitung kerugian engsel kategoris antara label dan prediksi.

Parameter

tf	Operasi TensorFlow
label	target sebenarnya, nilai diharapkan 0 atau 1.
prediksi	prediksi

Kembali

kehilangan engsel kategoris

Operand statis publik <T> cosineSimilarity (Ops tf, Operand <? extends TNumber > label, prediksi Operand <T>, sumbu int[])

Menghitung hilangnya kesamaan kosinus antara label dan prediksi.

Perhatikan bahwa ini adalah angka antara -1 dan 1 , yang berbeda dari definisi matematis kesamaan kosinus di mana 1 mewakili vektor serupa, dan 0 mewakili vektor berbeda. Dalam fungsi ini, bilangan dibalik dalam kisaran -1 hingga 1 . Jika angkanya negatif antara -1 dan 0 , 0 menunjukkan ortogonalitas dan nilai yang mendekati -1 menunjukkan kesamaan yang lebih besar. Nilai yang mendekati 1 menunjukkan ketidaksamaan yang lebih besar. Hal ini membuatnya dapat digunakan sebagai fungsi kerugian dalam pengaturan di mana Anda mencoba memaksimalkan kedekatan antara prediksi dan target. Jika label atau prediksi merupakan vektor nol, kesamaan kosinus akan menjadi 0 terlepas dari kedekatan antara prediksi dan target.

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

Parameter

tf	Operasi TensorFlow
label	target yang sebenarnya
prediksi	prediksi
sumbu	Sumbu yang digunakan untuk menentukan kesamaan.

Kembali

hilangnya kesamaan kosinus

engsel <T> Operan statis publik (Ops tf, label Operan <? extends TNumber >, prediksi Operan <T>)

Menghitung kerugian engsel antara label dan prediksi

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

Parameter

tf	Operasi TensorFlow
label	target sebenarnya, nilai yang diharapkan adalah -1 atau 1. Jika label biner (0 atau 1) diberikan, label tersebut akan dikonversi ke -1 atau 1.
prediksi	prediksi

Kembali

hilangnya engsel

public static Operand <T> huber (Ops tf, Operand <? extends TNumber > label, prediksi Operand <T>, float delta)

Menghitung kerugian Huber antara label dan prediksi.

Untuk setiap nilai x di error = label - prediksi:

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

dimana d adalah delta.

Parameter

tf	Operasi TensorFlow
label	target yang sebenarnya
prediksi	prediksi
delta	titik dimana fungsi kerugian Huber berubah dari kuadrat menjadi linier.

Kembali

kerugian Huber

Operand statis publik <T> kullbackLeiblerDivergence (Ops tf, label Operand <? extends TNumber >, prediksi Operand <T>)

Menghitung kerugian divergensi Kullback-Leibler antara label dan prediksi.

Parameter

tf	Operasi TensorFlow
label	target yang sebenarnya
prediksi	prediksi

Kembali

hilangnya divergensi Kullback-Leibler

Lihat juga

Divergensi Kullback? Leibler

Operan statis publik <T> l2Normalisasi (Ops tf, Operan <T> x, sumbu int[])

Menormalkan sepanjang sumbu dimensi menggunakan norma L2.

Parameter

tf	Operasi TensorFlow
X	masukan
sumbu	Dimensi yang akan dinormalisasi.

Kembali

nilai yang dinormalisasi berdasarkan norma L2

Operand statis publik <T> logCosh (Ops tf, Operand <? extends TNumber > label, prediksi Operand <T>)

Menghitung kerugian kosinus hiperbolik antara label dan prediksi.

log(cosh(x)) kira-kira sama dengan (x ** 2) / 2 untuk x kecil dan abs(x) - log(2) untuk x besar. Ini berarti bahwa 'logCosh' sebagian besar berfungsi seperti kesalahan kuadrat rata-rata, tetapi tidak akan terlalu terpengaruh oleh prediksi yang kadang-kadang salah.

Parameter

tf	Operasi TensorFlow
label	target yang sebenarnya
prediksi	prediksi

Kembali

hilangnya divergensi kosinus hiperbolik

public static Operand <T> meanAbsoluteError (Ops tf, Operand <? extends TNumber > label, prediksi Operand <T>)

Menghitung rata-rata kesalahan absolut antara label dan prediksi.

loss = reduceMean(abs(labels - predictions))

Parameter

tf	Operasi TensorFlow
label	labelnya
prediksi	prediksi

Kembali

kesalahan absolut rata-rata

Public static Operand <T> meanAbsolutePercentageError (Ops tf, Operand <? extends TNumber > label, prediksi Operand <T>)

Menghitung rata-rata persentase kesalahan absolut antara label dan prediksi.

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

Parameter

tf	Operasi TensorFlow
label	labelnya
prediksi	prediksi

Kembali

kesalahan persentase absolut rata-rata

Public static Operand <T> meanSquaredError (Ops tf, Operand <? extends TNumber > label, prediksi Operand <T>)

Menghitung rata-rata kesalahan kuadrat antara label dan prediksi.

loss = reduceMean(square(labels - predictions))

Parameter

tf	Operasi TensorFlow
label	labelnya
prediksi	prediksi

Kembali

kesalahan kuadrat rata-rata

Public static Operand <T> meanSquaredLogarithmicError (Ops tf, Operand <? extends TNumber > label, prediksi Operand <T>)

Menghitung rata-rata kesalahan logaritma kuadrat antara label dan prediksi.

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

Parameter

tf	Operasi TensorFlow
label	labelnya
prediksi	prediksi

Kembali

kesalahan persentase logaritma kuadrat rata-rata

Operand statis publik <T> poisson (Ops tf, Operand <? extends TNumber > label, prediksi Operand <T>)

Menghitung kerugian Poisson antara label dan prediksi.

Kerugian Poisson adalah rata-rata elemen predictions - labels * log(predictions) .

Parameter

tf	Operasi TensorFlow
label	target yang sebenarnya
prediksi	prediksi

Kembali

kerugian Poisson

Public static Operand <T> sparseCategoricalCrossentropy (Ops tf, Operand <? extends TNumber > label, prediksi Operand <T>, boolean fromLogits, int axis)

Menghitung kerugian crossentropy kategoris yang jarang antara label dan prediksi.

Parameter

tf	Operasi TensorFlow
label	target yang sebenarnya
prediksi	prediksi
dariLogits	Apakah prediksi diharapkan berupa logit. Secara default, diasumsikan bahwa prediksi mengkodekan distribusi probabilitas.
sumbu	Dimensi di mana entropi dihitung.

Kembali

kerugian crossentropy kategoris yang jarang

Operand statis publik <T> squaredHinge (Ops tf, Operand <? extends TNumber > label, prediksi Operand <T>)

Menghitung kerugian engsel kuadrat antara label dan prediksi.

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

Parameter

tf	Operasi TensorFlow
label	target sebenarnya, nilai yang diharapkan adalah -1 atau 1. Jika label biner (0 atau 1) * disediakan, label tersebut akan dikonversi ke -1 atau 1.
prediksi	prediksi

Kembali

kerugian engsel kuadrat