Esta página foi traduzida pela API Cloud Translation.

Losses

Perdas de classe pública

Funções de perda integradas.

Constantes

interno	CANAIS_FIRST
interno	CANAIS_ÚLTIMOS
flutuador	ÉPSILON	Fator Fuzz padrão.

Construtores Públicos

Perdas ()

Métodos Públicos

estático <T estende TNumber > Operando <T>	binárioCrossentropy (Ops tf, Operando <? estende TNumber > rótulos, previsões de Operando <T>, booleano fromLogits, rótulo flutuante Suavização) Calcula a perda binária de entropia cruzada entre rótulos e previsões.
estático <T estende TNumber > Operando <T>	categoricalCrossentropy (Ops tf, operando <? estende TNumber > rótulos, previsões de operando <T>, booleano fromLogits, float labelSmoothing, eixo int) Calcula a perda de entropia cruzada categórica entre rótulos e previsões.
estático <T estende TNumber > Operando <T>	categoricalHinge (Ops tf, operando <? estende TNumber > rótulos, previsões de operando <T>) Calcula a perda de dobradiça categórica entre rótulos e previsões.
estático <T estende TNumber > Operando <T>	cosineSimilarity (Ops tf, operando <? estende TNumber > rótulos, previsões de operando <T>, eixo int[]) Calcula a perda de similaridade de cosseno entre rótulos e previsões.
estático <T estende TNumber > Operando <T>	dobradiça (Ops tf, operando <? estende TNumber > rótulos, previsões de operando <T>) Calcula a perda de dobradiça entre rótulos e previsões `loss = reduceMean(maximum(1 - labels * predictions, 0))`
estático <T estende TNumber > Operando <T>	huber (Ops tf, operando <? estende TNumber > rótulos, previsões de operando <T>, delta flutuante) Calcula a perda de Huber entre rótulos e previsões.
estático <T estende TNumber > Operando <T>	kullbackLeiblerDivergence (Ops tf, operando <? estende TNumber > rótulos, previsões de operando <T>) Calcula a perda de divergência de Kullback-Leibler entre rótulos e previsões.
estático <T estende TNumber > Operando <T>	l2Normalize (Ops tf, Operando <T> x, eixo int[]) Normaliza ao longo do eixo da dimensão usando uma norma L2.
estático <T estende TNumber > Operando <T>	logCosh (Ops tf, operando <? estende TNumber > rótulos, previsões de operando <T>) Calcula a perda de cosseno hiperbólico entre rótulos e previsões.
estático <T estende TNumber > Operando <T>	meanAbsoluteError (Ops tf, operando <? estende TNumber > rótulos, previsões de operando <T>) Calcula o erro médio absoluto entre rótulos e previsões.
estático <T estende TNumber > Operando <T>	meanAbsolutePercentageError (Ops tf, operando <? estende TNumber > rótulos, previsões de operando <T>) Calcula o erro percentual médio absoluto entre rótulos e previsões.
estático <T estende TNumber > Operando <T>	meanSquaredError (Ops tf, operando <? estende TNumber > rótulos, previsões de operando <T>) Calcula o erro quadrático médio entre rótulos e previsões.
estático <T estende TNumber > Operando <T>	meanSquaredLogarithmicError (Ops tf, operando <? estende TNumber > rótulos, previsões de operando <T>) Calcula o erro logarítmico quadrático médio entre rótulos e previsões.
estático <T estende TNumber > Operando <T>	poisson (Ops tf, operando <? estende TNumber > rótulos, previsões de operando <T>) Calcula a perda de Poisson entre rótulos e previsões.
estático <T estende TNumber > Operando <T>	sparseCategoricalCrossentropy (Ops tf, Operando <? estende TNumber > rótulos, previsões de Operando <T>, booleano fromLogits, eixo int) Calcula a perda de entropia cruzada categórica esparsa entre rótulos e previsões.
estático <T estende TNumber > Operando <T>	squaredHinge (Ops tf, operando <? estende TNumber > rótulos, previsões de operando <T>) Calcula a perda de dobradiça quadrada entre rótulos e previsões.

Métodos herdados

Da classe java.lang.Object

booleano	é igual (objeto arg0)
aula final<?>	getClass ()
interno	código hash ()
vazio final	notificar ()
vazio final	notificar todos ()
Corda	toString ()
vazio final	espere (long arg0, int arg1)
vazio final	espere (arg0 longo)
vazio final	espere ()

Constantes

público estático final int CHANNELS_FIRST

Valor Constante: 1

público estático final int CHANNELS_LAST

Valor Constante: -1

flutuador final estático público EPSILON

Fator Fuzz padrão.

Valor Constante: 1.0E-7

Construtores Públicos

Perdas públicas ()

Métodos Públicos

operando estático público <T> binárioCrossentropy (Ops tf, operando <? estende TNumber > rótulos, previsões de operando <T>, booleano fromLogits, rótulo flutuante Suavização)

Calcula a perda binária de entropia cruzada entre rótulos e previsões.

Parâmetros

TF	as operações do TensorFlow
rótulos	alvos verdadeiros
previsões	as previsões
deLogits	Se deve interpretar as previsões como um tensor de valores logit
etiqueta Suavização	Um número no intervalo [0, 1]. Quando 0, nenhuma suavização ocorre. Quando > 0, calcule a perda entre os rótulos previstos e uma versão suavizada dos rótulos verdadeiros, onde a suavização comprime os rótulos em direção a 0,5. Valores maiores de labelSmoothing correspondem a uma suavização mais pesada.

Devoluções

a perda de entropia cruzada binária.

operando estático público <T> categóricoCrossentropy (Ops tf, operando <? estende TNumber > rótulos, previsões de operando <T>, booleano fromLogits, rótulo flutuante Suavização, eixo int)

Calcula a perda de entropia cruzada categórica entre rótulos e previsões.

Parâmetros

TF	as operações do TensorFlow
rótulos	alvos verdadeiros
previsões	as previsões
deLogits	Se deve interpretar as previsões como um tensor de valores logit
etiqueta Suavização	Flutuar em `[0, 1]` . Quando `> 0` , os valores dos rótulos são suavizados, o que significa que a confiança nos valores dos rótulos é relaxada. por exemplo, `labelSmoothing=0.2` significa que usaremos um valor de `0.1` para o rótulo `0` e `0.9` para o rótulo `1`
eixo	o

Devoluções

a perda de entropia cruzada categórica.

operando estático público <T> categoricalHinge (Ops tf, operando <? estende TNumber > rótulos, previsões do operando <T>)

Calcula a perda de dobradiça categórica entre rótulos e previsões.

Parâmetros

TF	as operações do TensorFlow
rótulos	alvos verdadeiros, espera-se que os valores sejam 0 ou 1.
previsões	as previsões

Devoluções

a perda de dobradiça categórica

operando estático público <T> cossenoSimilaridade (Ops tf, operando <? estende TNumber > rótulos, previsões de operando <T>, eixo int[])

Calcula a perda de similaridade de cosseno entre rótulos e previsões.

Observe que é um número entre -1 e 1 , o que é diferente da definição matemática de similaridade de cossenos, onde 1 representa vetores semelhantes e 0 representa vetores diferentes. Nesta função, os números são invertidos no intervalo de -1 a 1 . Quando é um número negativo entre -1 e 0 , 0 indica ortogonalidade e valores mais próximos de -1 indicam maior similaridade. Os valores mais próximos de 1 indicam maior dissimilaridade. Isso a torna utilizável como uma função de perda em um ambiente onde você tenta maximizar a proximidade entre previsões e alvos. Se os rótulos ou as previsões forem um vetor zero, a similaridade do cosseno será 0 independentemente da proximidade entre as previsões e os alvos.

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

Parâmetros

TF	as operações do TensorFlow
rótulos	alvos verdadeiros
previsões	as previsões
eixo	Eixo ao longo do qual determinar a similaridade.

Devoluções

a perda de similaridade de cosseno

dobradiça pública estática do operando <T> (Ops tf, operando <? estende TNumber > rótulos, previsões do operando <T>)

Calcula a perda de dobradiça entre rótulos e previsões

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

Parâmetros

TF	as operações do TensorFlow
rótulos	alvos verdadeiros, espera-se que os valores sejam -1 ou 1. Se rótulos binários (0 ou 1) forem fornecidos, eles serão convertidos para -1 ou 1.
previsões	as previsões

Devoluções

a perda da dobradiça

operando estático público <T> huber (Ops tf, operando <? estende TNumber > rótulos, previsões de operando <T>, delta flutuante)

Calcula a perda de Huber entre rótulos e previsões.

Para cada valor x em erro = rótulos - previsões:

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

onde d é delta.

Parâmetros

TF	as operações do TensorFlow
rótulos	alvos verdadeiros
previsões	as previsões
delta	o ponto onde a função de perda de Huber muda de quadrática para linear.

Devoluções

a perda de Huber

operando estático público <T> kullbackLeiblerDivergence (Ops tf, operando <? estende TNumber > rótulos, previsões do operando <T>)

Calcula a perda de divergência de Kullback-Leibler entre rótulos e previsões.

Parâmetros

TF	as operações do TensorFlow
rótulos	alvos verdadeiros
previsões	as previsões

Devoluções

a perda de divergência Kullback-Leibler

Veja também

Divergência de Kullback-Leibler

Operando estático público <T> l2Normalize (Ops tf, Operando <T> x, eixo int[])

Normaliza ao longo do eixo da dimensão usando uma norma L2.

Parâmetros

TF	As operações do TensorFlow
x	a entrada
eixo	Dimensão ao longo da qual normalizar.

Devoluções

os valores normalizados com base na norma L2

operando estático público <T> logCosh (Ops tf, operando <? estende TNumber > rótulos, previsões de operando <T>)

Calcula a perda de cosseno hiperbólico entre rótulos e previsões.

log(cosh(x)) é aproximadamente igual a (x ** 2) / 2 para x pequeno e a abs(x) - log(2) para x grande. Isso significa que 'logCosh' funciona principalmente como o erro quadrático médio, mas não será tão fortemente afetado por previsões ocasionais totalmente incorretas.

Parâmetros

TF	as operações do TensorFlow
rótulos	alvos verdadeiros
previsões	as previsões

Devoluções

a perda de divergência de cosseno hiperbólico

operando estático público <T> meanAbsoluteError (Ops tf, operando <? estende TNumber > rótulos, previsões do operando <T>)

Calcula o erro médio absoluto entre rótulos e previsões.

loss = reduceMean(abs(labels - predictions))

Parâmetros

TF	As operações do TensorFlow
rótulos	os rótulos
previsões	as previsões

Devoluções

o erro médio absoluto

operando estático público <T> meanAbsolutePercentageError (Ops tf, operando <? estende TNumber > rótulos, previsões do operando <T>)

Calcula o erro percentual médio absoluto entre rótulos e previsões.

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

Parâmetros

TF	As operações do TensorFlow
rótulos	os rótulos
previsões	as previsões

Devoluções

o erro percentual absoluto médio

operando estático público <T> meanSquaredError (Ops tf, operando <? estende TNumber > rótulos, previsões do operando <T>)

Calcula o erro quadrático médio entre rótulos e previsões.

loss = reduceMean(square(labels - predictions))

Parâmetros

TF	As operações do TensorFlow
rótulos	os rótulos
previsões	as previsões

Devoluções

o erro quadrático médio

operando estático público <T> meanSquaredLogarithmicError (Ops tf, operando <? estende TNumber > rótulos, previsões do operando <T>)

Calcula o erro logarítmico quadrático médio entre rótulos e previsões.

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

Parâmetros

TF	As operações do TensorFlow
rótulos	os rótulos
previsões	as previsões

Devoluções

o erro percentual logarítmico médio quadrático

operando estático público <T> poisson (Ops tf, operando <? estende TNumber > rótulos, previsões de operando <T>)

Calcula a perda de Poisson entre rótulos e previsões.

A perda de Poisson é a média dos elementos das predictions - labels * log(predictions) .

Parâmetros

TF	as operações do TensorFlow
rótulos	alvos verdadeiros
previsões	as previsões

Devoluções

a perda de Poisson

operando estático público <T> sparseCategoricalCrossentropy (Ops tf, operando <? estende TNumber > rótulos, previsões de operando <T>, booleano fromLogits, eixo int)

Calcula a perda de entropia cruzada categórica esparsa entre rótulos e previsões.

Parâmetros

TF	as operações do TensorFlow
rótulos	alvos verdadeiros
previsões	as previsões
deLogits	Se se espera que as previsões sejam logits. Por padrão, presume-se que as previsões codificam uma distribuição de probabilidade.
eixo	A dimensão ao longo da qual a entropia é calculada.

Devoluções

a escassa perda de entropia cruzada categórica

operando estático público <T> squaredHinge (Ops tf, operando <? estende TNumber > rótulos, previsões de operando <T>)

Calcula a perda de dobradiça quadrada entre rótulos e previsões.

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

Parâmetros

TF	as operações do TensorFlow
rótulos	alvos verdadeiros, espera-se que os valores sejam -1 ou 1. Se os rótulos binários (0 ou 1) forem * fornecidos, eles serão convertidos para -1 ou 1.
previsões	as previsões

Devoluções

a perda de dobradiça quadrada