이 페이지는 Cloud Translation API를 통해 번역되었습니다.

Losses

공개 수업 손실

내장된 손실 함수.

상수

정수	채널_FIRST
정수	CHANNELS_LAST
뜨다	엡실론	기본 퍼즈 계수.

공공 생성자

손실 ()

공개 방법

static <T는 Tnumber를 확장합니다. > 피연산자 <T>	BinaryCrossentropy (Ops tf, Operand <? 확장 TNumber > 레이블, Operand <T> 예측, 부울 fromLogits, float labelSmoothing) 레이블과 예측 간의 이진 교차엔트로피 손실을 계산합니다.
static <T는 Tnumber를 확장합니다. > 피연산자 <T>	categoricalCrossentropy (Ops tf, Operand <? 확장 TNumber > 레이블, Operand <T> 예측, 부울 fromLogits, float labelSmoothing, int 축) 레이블과 예측 간의 범주형 교차엔트로피 손실을 계산합니다.
static <T는 Tnumber를 확장합니다. > 피연산자 <T>	categoricalHinge (Ops tf, Operand <? 확장 TNumber > 레이블, Operand <T> 예측) 라벨과 예측 간의 범주형 힌지 손실을 계산합니다.
static <T는 Tnumber를 확장합니다. > 피연산자 <T>	cosineSimilarity (Ops tf, Operand <? 확장 TNumber > 레이블, Operand <T> 예측, int[] 축) 라벨과 예측 간의 코사인 유사성 손실을 계산합니다.
static <T는 Tnumber를 확장합니다. > 피연산자 <T>	힌지 (Ops tf, Operand <? 확장 TNumber > 레이블, Operand <T> 예측) 라벨과 예측 간의 힌지 손실을 계산합니다. `loss = reduceMean(maximum(1 - labels * predictions, 0))`
static <T는 Tnumber를 확장합니다. > 피연산자 <T>	Huber (Ops tf, Operand <? 확장 TNumber > 레이블, Operand <T> 예측, float delta) 라벨과 예측 간의 Huber 손실을 계산합니다.
static <T는 Tnumber를 확장합니다. > 피연산자 <T>	kullbackLeiblerDivergence (Ops tf, Operand <? 확장 TNumber > 레이블, Operand <T> 예측) 라벨과 예측 간의 Kullback-Leibler 발산 손실을 계산합니다.
static <T는 Tnumber를 확장합니다. > 피연산자 <T>	l2Normalize (Ops tf, Operand <T> x, int[] 축) L2 표준을 사용하여 치수 축을 따라 정규화합니다.
static <T는 Tnumber를 확장합니다. > 피연산자 <T>	logCosh (Ops tf, Operand <? 확장 TNumber > 레이블, Operand <T> 예측) 레이블과 예측 간의 쌍곡선 코사인 손실을 계산합니다.
static <T는 Tnumber를 확장합니다. > 피연산자 <T>	meanAbsoluteError (Ops tf, Operand <? 확장 TNumber > 레이블, Operand <T> 예측) 라벨과 예측 간의 평균 절대 오차를 계산합니다.
static <T는 Tnumber를 확장합니다. > 피연산자 <T>	meanAbsolutePercentageError (Ops tf, Operand <? 확장 TNumber > 레이블, Operand <T> 예측) 라벨과 예측 간의 평균 절대 백분율 오차를 계산합니다.
static <T는 Tnumber를 확장합니다. > 피연산자 <T>	meanSquaredError (Ops tf, Operand <? 확장 TNumber > 레이블, Operand <T> 예측) 라벨과 예측 간의 평균 제곱 오차를 계산합니다.
static <T는 Tnumber를 확장합니다. > 피연산자 <T>	meanSquaredLogarithmicError (Ops tf, Operand <? 확장 TNumber > 레이블, Operand <T> 예측) 라벨과 예측 간의 평균 제곱 로그 오류를 계산합니다.
static <T는 Tnumber를 확장합니다. > 피연산자 <T>	포아송 (Ops tf, 피연산자 <? 확장 TNumber > 레이블, 피연산자 <T> 예측) 레이블과 예측 간의 포아송 손실을 계산합니다.
static <T는 Tnumber를 확장합니다. > 피연산자 <T>	sparseCategoricalCrossentropy (Ops tf, Operand <? 확장 TNumber > 레이블, Operand <T> 예측, 부울 fromLogits, int 축) 레이블과 예측 간의 희소 범주형 교차엔트로피 손실을 계산합니다.
static <T는 Tnumber를 확장합니다. > 피연산자 <T>	squaredHinge (Ops tf, Operand <? 확장 TNumber > 레이블, Operand <T> 예측) 라벨과 예측 간의 제곱 경첩 손실을 계산합니다.

상속된 메서드

java.lang.Object 클래스에서

부울	같음 (개체 arg0)
마지막 수업<?>	getClass ()
정수	해시코드 ()
최종 무효	알림 ()
최종 무효	통지모두 ()
끈	toString ()
최종 무효	대기 (long arg0, int arg1)
최종 무효	기다리세요 (긴 arg0)
최종 무효	기다리다 ()

상수

공개 정적 최종 int CHANNELS_FIRST

상수값: 1

공개 정적 최종 int CHANNELS_LAST

상수값: -1

공개 정적 최종 부동 소수점 EPSILON

기본 퍼즈 계수.

상수값: 1.0E-7

공공 생성자

공공 손실 ()

공개 방법

공개 정적 피연산자 <T> BinaryCrossentropy (Ops tf, Operand <? 확장 TNumber > 레이블, Operand <T> 예측, 부울 fromLogits, float labelSmoothing)

레이블과 예측 간의 이진 교차엔트로피 손실을 계산합니다.

매개변수

tf	TensorFlow 작업
라벨	진정한 목표
예측	예측
fromLogits	예측을 로짓 값의 텐서로 해석할지 여부
labelSmoothing	[0, 1] 범위의 숫자입니다. 0이면 스무딩이 발생하지 않습니다. > 0인 경우 예측된 레이블과 실제 레이블의 평활화 버전 간의 손실을 계산합니다. 여기서 평활화는 레이블을 0.5 방향으로 압축합니다. labelSmoothing 값이 클수록 평활화가 심해집니다.

보고

이진 교차엔트로피 손실.

public static Operand <T> categoricalCrossentropy (Ops tf, Operand <? 확장 TNumber > 레이블, Operand <T> 예측, 부울 fromLogits, float labelSmoothing, int 축)

레이블과 예측 간의 범주형 교차엔트로피 손실을 계산합니다.

매개변수

tf	TensorFlow 작업
라벨	진정한 목표
예측	예측
fromLogits	예측을 로짓 값의 텐서로 해석할지 여부
labelSmoothing	`[0, 1]` 에 떠 있습니다. `> 0` 레이블 값이 평활화됩니다. 즉, 레이블 값에 대한 신뢰도가 완화됩니다. 예를 들어 `labelSmoothing=0.2` 레이블 `0` 에 `0.1` 값을 사용하고 레이블 `1` 에 `0.9` 사용한다는 의미입니다.
중심선	그만큼

보고

범주형 교차엔트로피 손실.

public static Operand <T> categoricalHinge (Ops tf, Operand <? 확장 TNumber > 레이블, Operand <T> 예측)

라벨과 예측 간의 범주형 힌지 손실을 계산합니다.

매개변수

tf	TensorFlow 작업
라벨	실제 목표의 경우 값은 0 또는 1이 될 것으로 예상됩니다.
예측	예측

보고

범주형 힌지 손실

public static Operand <T> cosineSimilarity (Ops tf, Operand <? 확장 TNumber > 레이블, Operand <T> 예측, int[] 축)

라벨과 예측 간의 코사인 유사성 손실을 계산합니다.

이는 -1 과 1 사이의 숫자이며, 이는 1 유사한 벡터를 나타내고 0 다른 벡터를 나타내는 코사인 유사성의 수학적 정의와 다릅니다. 이 함수에서는 숫자가 -1 ~ 1 범위에서 반전됩니다. -1 과 0 사이의 음수인 경우 0 직교성을 나타내고 -1 에 가까울수록 유사성이 높다는 것을 나타냅니다. 1 에 가까울수록 차이가 더 크다는 것을 나타냅니다. 이를 통해 예측과 목표 간의 근접성을 최대화하려는 설정에서 손실 함수로 사용할 수 있습니다. 레이블이나 예측 중 하나가 0 벡터인 경우 예측과 목표 간의 근접성에 관계없이 코사인 유사성은 0 이 됩니다.

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

매개변수

tf	TensorFlow 작업
라벨	진정한 목표
예측	예측
중심선	유사성을 결정하는 축입니다.

보고

코사인 유사성 손실

공개 정적 피연산자 <T> 힌지 (Ops tf, 피연산자 <? 확장 TNumber > 레이블, 피연산자 <T> 예측)

라벨과 예측 간의 힌지 손실을 계산합니다.

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

매개변수

tf	TensorFlow 작업
라벨	실제 목표인 경우 값은 -1 또는 1이 될 것으로 예상됩니다. 이진(0 또는 1) 레이블이 제공되면 -1 또는 1로 변환됩니다.
예측	예측

보고

힌지 손실

공개 정적 피연산자 <T> Huber (Ops tf, 피연산자 <? 확장 TNumber > 레이블, 피연산자 <T> 예측, 부동 소수점 델타)

라벨과 예측 간의 Huber 손실을 계산합니다.

오류가 있는 각 값 x에 대해 = 라벨 - 예측:

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

여기서 d는 델타입니다.

매개변수

tf	TensorFlow 작업
라벨	진정한 목표
예측	예측
델타	Huber 손실 함수가 2차에서 선형으로 변경되는 지점입니다.

보고

후버 손실

public static Operand <T> kullbackLeiblerDivergence (Ops tf, Operand <? 확장 TNumber > 레이블, Operand <T> 예측)

라벨과 예측 간의 Kullback-Leibler 발산 손실을 계산합니다.

매개변수

tf	TensorFlow 작업
라벨	진정한 목표
예측	예측

보고

Kullback-Leibler 발산 손실

참조

Kullback?Leibler 발산

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

L2 표준을 사용하여 치수 축을 따라 정규화합니다.

매개변수

tf	TensorFlow 작업
엑스	입력
중심선	정규화할 차원입니다.

보고

L2 규범을 기반으로 정규화된 값

공개 정적 피연산자 <T> logCosh (Ops tf, 피연산자 <? 확장 TNumber > 레이블, 피연산자 <T> 예측)

레이블과 예측 간의 쌍곡선 코사인 손실을 계산합니다.

log(cosh(x)) 작은 x 의 경우 (x ** 2) / 2 , 큰 x 의 경우에는 abs(x) - log(2) 와 대략 같습니다. 이는 'logCosh'가 대부분 평균 제곱 오차와 유사하게 작동하지만 가끔씩 발생하는 매우 잘못된 예측에 크게 영향을 받지 않음을 의미합니다.

매개변수

tf	TensorFlow 작업
라벨	진정한 목표
예측	예측

보고

쌍곡선 코사인 발산 손실

public static Operand <T> meanAbsoluteError (Ops tf, Operand <? 확장 TNumber > 레이블, Operand <T> 예측)

라벨과 예측 간의 평균 절대 오차를 계산합니다.

loss = reduceMean(abs(labels - predictions))

매개변수

tf	TensorFlow 작업
라벨	라벨
예측	예측

보고

평균 절대 오차

public static Operand <T> meanAbsolutePercentageError (Ops tf, Operand <? 확장 TNumber > 레이블, Operand <T> 예측)

라벨과 예측 간의 평균 절대 백분율 오차를 계산합니다.

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

매개변수

tf	TensorFlow 작업
라벨	라벨
예측	예측

보고

평균 절대 백분율 오류

public static Operand <T> meanSquaredError (Ops tf, Operand <? 확장 TNumber > 레이블, Operand <T> 예측)

라벨과 예측 간의 평균 제곱 오차를 계산합니다.

loss = reduceMean(square(labels - predictions))

매개변수

tf	TensorFlow 작업
라벨	라벨
예측	예측

보고

평균 제곱 오차

public static Operand <T> meanSquaredLogarithmicError (Ops tf, Operand <? 확장 TNumber > 레이블, Operand <T> 예측)

라벨과 예측 간의 평균 제곱 로그 오류를 계산합니다.

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

매개변수

tf	TensorFlow 작업
라벨	라벨
예측	예측

보고

평균 제곱 로그 백분율 오류

공개 정적 피연산자 <T> 포아송 (Ops tf, 피연산자 <? 확장 TNumber > 레이블, 피연산자 <T> 예측)

레이블과 예측 간의 포아송 손실을 계산합니다.

포아송 손실은 Tensor predictions - labels * log(predictions) 의 평균입니다.

매개변수

tf	TensorFlow 작업
라벨	진정한 목표
예측	예측

보고

포아송 손실

공개 정적 피연산자 <T> sparseCategoricalCrossentropy (Ops tf, 피연산자 <? 확장 TNumber > 레이블, 피연산자 <T> 예측, 부울 fromLogits, int 축)

레이블과 예측 간의 희소 범주형 교차엔트로피 손실을 계산합니다.

매개변수

tf	TensorFlow 작업
라벨	진정한 목표
예측	예측
fromLogits	예측이 로짓일 것으로 예상되는지 여부입니다. 기본적으로 예측은 확률 분포를 인코딩한다고 가정됩니다.
중심선	엔트로피가 계산되는 차원입니다.

보고

희소 범주형 교차엔트로피 손실

public static Operand <T> squaredHinge (Ops tf, Operand <? 확장 TNumber > 레이블, Operand <T> 예측)

라벨과 예측 간의 제곱 경첩 손실을 계산합니다.

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

매개변수

tf	TensorFlow 작업
라벨	실제 목표인 경우 값은 -1 또는 1이 될 것으로 예상됩니다. 바이너리(0 또는 1) 레이블이 * 제공되면 -1 또는 1로 변환됩니다.
예측	예측

보고

제곱 힌지 손실