Losses

パブリッククラスの損失

損失関数を内蔵。

定数

整数チャンネル_ファースト
整数チャンネル_ラスト
浮くイプシロンデフォルトのファズ係数。

パブリックコンストラクター

損失（）

パブリックメソッド

static <T extends TNumber >オペランド<T>
binaryCrossentropy (Ops tf、オペランド<? extends TNumber > ラベル、オペランド<T> 予測、ブール fromLogits、float labelSmoothing)
ラベルと予測の間のバイナリ クロスエントロピー損失を計算します。
static <T extends TNumber >オペランド<T>
categoricalCrossentropy (Ops tf、オペランド<? extends TNumber > ラベル、オペランド<T> 予測、ブール fromLogits、float labelSmoothing、int 軸)
ラベルと予測の間のカテゴリカルなクロスエントロピー損失を計算します。
static <T extends TNumber >オペランド<T>
categoricalHinge (Ops tf、オペランド<? extends TNumber > ラベル、オペランド<T> 予測)
ラベルと予測の間のカテゴリカル ヒンジ損失を計算します。
static <T extends TNumber >オペランド<T>
cosineSimilarity (Ops tf、オペランド<? extends TNumber > ラベル、オペランド<T> 予測、int[] 軸)
ラベルと予測の間のコサイン類似性損失を計算します。
static <T extends TNumber >オペランド<T>
ヒンジ(Ops tf、オペランド<? extends TNumber > ラベル、オペランド<T> 予測)
ラベルと予測の間のヒンジ損失を計算します

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

static <T extends TNumber >オペランド<T>
Huber (Ops tf、オペランド<? extends TNumber > ラベル、オペランド<T> 予測、float デルタ)
ラベルと予測の間のフーバー損失を計算します。
static <T extends TNumber >オペランド<T>
kullbackLeiblerDivergence (Ops tf、オペランド<? extends TNumber > ラベル、オペランド<T> 予測)
ラベルと予測の間のカルバック・ライブラー発散損失を計算します。
static <T extends TNumber >オペランド<T>
l2Normalize (Ops tf、オペランド<T> x、int[] 軸)
L2 ノルムを使用して寸法軸に沿って正規化します。
static <T extends TNumber >オペランド<T>
logCosh (Ops tf、オペランド<? extends TNumber > ラベル、オペランド<T> 予測)
ラベルと予測の間の双曲線コサイン損失を計算します。
static <T extends TNumber >オペランド<T>
meansAbsoluteError (Ops tf、オペランド<? extends TNumber > ラベル、オペランド<T> 予測)
ラベルと予測の間の平均絶対誤差を計算します。
static <T extends TNumber >オペランド<T>
meansAbsolutePercentageError (Ops tf、オペランド<? extends TNumber > ラベル、オペランド<T> 予測)
ラベルと予測の間の平均絶対パーセント誤差を計算します。
static <T extends TNumber >オペランド<T>
meansSquaredError (Ops tf、オペランド<? extends TNumber > ラベル、オペランド<T> 予測)
ラベルと予測の間の平均二乗誤差を計算します。
static <T extends TNumber >オペランド<T>
meansSquaredLogarithmicError (Ops tf、オペランド<? extends TNumber > ラベル、オペランド<T> 予測)
ラベルと予測の間の平均二乗対数誤差を計算します。
static <T extends TNumber >オペランド<T>
ポアソン(Ops tf、オペランド<? extends TNumber > ラベル、オペランド<T> 予測)
ラベルと予測の間のポアソン損失を計算します。
static <T extends TNumber >オペランド<T>
sparseCategoricalCrossentropy (Ops tf、オペランド<? extends TNumber > ラベル、オペランド<T> 予測、ブール fromLogits、int 軸)
ラベルと予測の間のスパースカテゴリカルクロスエントロピー損失を計算します。
static <T extends TNumber >オペランド<T>
squaredHinge (Ops tf、オペランド<? extends TNumber > ラベル、オペランド<T> 予測)
ラベルと予測の間の二乗ヒンジ損失を計算します。

継承されたメソッド

定数

public static Final int CHANNELS_FIRST

定数値: 1

public static Final int CHANNELS_LAST

定数値: -1

public static Final float EPSILON

デフォルトのファズ係数。

定数値: 1.0E-7

パブリックコンストラクター

公的損失()

パブリックメソッド

public staticオペランド<T> binaryCrossentropy (Ops tf、オペランド<? extends TNumber > ラベル、オペランド<T> 予測、ブール fromLogits、float labelSmoothing)

ラベルと予測の間のバイナリ クロスエントロピー損失を計算します。

パラメーター
TF TensorFlow オペレーション
ラベル真のターゲット
予測予測
fromロジッツ予測をロジット値のテンソルとして解釈するかどうか
ラベルスムージング[0, 1] の範囲の数値。 0 の場合、平滑化は行われません。 > 0 の場合、予測ラベルと真のラベルの平滑化バージョンとの間の損失を計算します。平滑化によりラベルが 0.5 に向かって圧縮されます。 labelSmoothing の値が大きいほど、より強力なスムージングに対応します。
戻り値
  • バイナリクロスエントロピー損失。

public staticオペランド<T> categoricalCrossentropy (Ops tf、オペランド<? extends TNumber > ラベル、オペランド<T> 予測、ブール fromLogits、float labelSmoothing、int axis)

ラベルと予測の間のカテゴリカルなクロスエントロピー損失を計算します。

パラメーター
TF TensorFlow オペレーション
ラベル真のターゲット
予測予測
fromロジッツ予測をロジット値のテンソルとして解釈するかどうか
ラベルスムージング[0, 1]の浮動小数点数。 > 0の場合、ラベル値は平滑化されます。これは、ラベル値の信頼性が緩和されることを意味します。たとえば、 labelSmoothing=0.2ラベル0には0.1の値を使用し、ラベル1には0.9の値を使用することを意味します。
軸の
戻り値
  • カテゴリカルなクロスエントロピー損失。

public staticオペランド<T> categoricalHinge (Ops tf、オペランド<? extends TNumber > ラベル、オペランド<T> 予測)

ラベルと予測の間のカテゴリカル ヒンジ損失を計算します。

パラメーター
TF TensorFlow オペレーション
ラベル真のターゲットの場合、値は 0 または 1 であることが期待されます。
予測予測
戻り値
  • カテゴリカルヒンジ損失

public staticオペランド<T> cosineSimilarity (Ops tf、オペランド<? extends TNumber > ラベル、オペランド<T> 予測、int[] 軸)

ラベルと予測の間のコサイン類似性損失を計算します。

これは-1から1までの数値であり、 1類似ベクトルを表し、 0非類似ベクトルを表すコサイン類似度の数学的定義とは異なることに注意してください。この関数では、 -1から1の範囲で数値が反転されます。 -1から0までの負の数の場合、 0は直交性を示し、値が-1に近いほど類似性が高いことを示します。値が1に近いほど、非類似性が高いことを示します。これにより、予測とターゲットの間の近接性を最大化しようとする設定で損失関数として使用できるようになります。ラベルまたは予測のいずれかがゼロ ベクトルの場合、予測とターゲット間の近さに関係なく、コサイン類似度は0になります。

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

パラメーター
TF TensorFlow オペレーション
ラベル真のターゲット
予測予測
軸類似性を判断するための軸。
戻り値
  • コサイン類似度損失

public staticオペランド<T>ヒンジ(Ops tf、オペランド<? extends TNumber > ラベル、オペランド<T> 予測)

ラベルと予測の間のヒンジ損失を計算します

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

パラメーター
TF TensorFlow オペレーション
ラベル真のターゲットの場合、値は -1 または 1 であることが期待されます。バイナリ (0 または 1) ラベルが指定された場合、それらは -1 または 1 に変換されます。
予測予測
戻り値
  • ヒンジの損失

public staticオペランド<T> Huber (Ops tf、オペランド<? extends TNumber > ラベル、オペランド<T> 予測、浮動小数点デルタ)

ラベルと予測の間のフーバー損失を計算します。

各値 x のエラー = ラベル - 予測: 

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

ここで、d はデルタです。

パラメーター
TF TensorFlow オペレーション
ラベル真のターゲット
予測予測
デルタフーバー損失関数が二次関数から線形関数に変化する点。
戻り値
  • フーバー損失

public staticオペランド<T> kullbackLeiblerDivergence (Ops tf、オペランド<? extends TNumber > ラベル、オペランド<T> 予測)

ラベルと予測の間のカルバック・ライブラー発散損失を計算します。

パラメーター
TF TensorFlow オペレーション
ラベル真のターゲット
予測予測
戻り値
  • カルバック-ライブラー発散損失
関連項目

public static Operand <T> l2Normalize (Ops tf, Operand <T> x, int[] axis)

L2 ノルムを使用して寸法軸に沿って正規化します。

パラメーター
TF TensorFlow オペレーション
バツ入力
軸正規化するディメンション。
戻り値
  • L2 ノルムに基づいて正規化された値

public staticオペランド<T> logCosh (Ops tf、オペランド<? extends TNumber > ラベル、オペランド<T> 予測)

ラベルと予測の間の双曲線コサイン損失を計算します。

log(cosh(x))小さいxの場合は(x ** 2) / 2に、大きいxの場合はabs(x) - log(2)にほぼ等しくなります。これは、「logCosh」は主に平均二乗誤差と同様に機能しますが、時折発生する非常に不正確な予測にはそれほど強い影響を受けないことを意味します。

パラメーター
TF TensorFlow オペレーション
ラベル真のターゲット
予測予測
戻り値
  • 双曲線コサイン発散損失

public staticオペランド<T> meansAbsoluteError (Ops tf、オペランド<? extends TNumber > ラベル、オペランド<T> 予測)

ラベルと予測の間の平均絶対誤差を計算します。

loss = reduceMean(abs(labels - predictions))

パラメーター
TF TensorFlow オペレーション
ラベルラベル
予測予測
戻り値
  • 平均絶対誤差

public staticオペランド<T> meansAbsolutePercentageError (Ops tf、オペランド<? extends TNumber > ラベル、オペランド<T> 予測)

ラベルと予測の間の平均絶対パーセント誤差を計算します。

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

パラメーター
TF TensorFlow オペレーション
ラベルラベル
予測予測
戻り値
  • 平均絶対パーセント誤差

public staticオペランド<T> meansSquaredError (Ops tf、オペランド<? extends TNumber > ラベル、オペランド<T> 予測)

ラベルと予測の間の平均二乗誤差を計算します。

loss = reduceMean(square(labels - predictions))

パラメーター
TF TensorFlow オペレーション
ラベルラベル
予測予測
戻り値
  • 平均二乗誤差

public staticオペランド<T> meansSquaredLogarithmicError (Ops tf、オペランド<? extends TNumber > ラベル、オペランド<T> 予測)

ラベルと予測の間の平均二乗対数誤差を計算します。

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

パラメーター
TF TensorFlow オペレーション
ラベルラベル
予測予測
戻り値
  • 平均二乗対数パーセンテージ誤差

public staticオペランド<T>ポアソン(Ops tf、オペランド<? extends TNumber > ラベル、オペランド<T> 予測)

ラベルと予測の間のポアソン損失を計算します。

ポアソン損失は、テンソルpredictions - labels * log(predictions) 。

パラメーター
TF TensorFlow オペレーション
ラベル真のターゲット
予測予測
戻り値
  • ポアソン損失

public staticオペランド<T> sparseCategoricalCrossentropy (Ops tf、オペランド<? extends TNumber > ラベル、オペランド<T> 予測、ブール fromLogits、int 軸)

ラベルと予測の間のスパースカテゴリカルクロスエントロピー損失を計算します。

パラメーター
TF TensorFlow オペレーション
ラベル真のターゲット
予測予測
fromロジッツ予測がロジットであることが期待されるかどうか。デフォルトでは、予測は確率分布をエンコードすると想定されています。
軸エントロピーが計算される次元。
戻り値
  • スパースカテゴリカルクロスエントロピー損失

public staticオペランド<T> squaredHinge (Ops tf、オペランド<? extends TNumber > ラベル、オペランド<T> 予測)

ラベルと予測の間の二乗ヒンジ損失を計算します。

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

パラメーター
TF TensorFlow オペレーション
ラベル真のターゲットの場合、値は -1 または 1 であることが期待されます。バイナリ (0 または 1) ラベルが * 提供された場合、それらは -1 または 1 に変換されます。
予測予測
戻り値
  • 二乗ヒンジの損失