Losses

perdas de classe pública

Funções de perda integradas.

Constantes

int CHANNELS_FIRST
int CHANNELS_LAST
flutuador EPSILON Fator de difusão padrão.

Construtores Públicos

Perdas ()

Métodos Públicos

estática <T estende TNumber > Operando <T>
binaryCrossentropy (Ops tf, Operand <? extends TNumber > rótulos, Operand <T> predictions, boolean fromLogits, float labelSmoothing)
Calcula a perda de entrecropia cruzada binária entre rótulos e previsões.
estática <T estende TNumber > Operando <T>
categoricalCrossentropy (Ops tf, Operand <? extends TNumber > rótulos, Operand <T> previsões, booleano fromLogits, float labelSmoothing, int axis)
Calcula a perda de entropia cruzada categórica entre rótulos e previsões.
estática <T estende TNumber > Operando <T>
categoricalHinge (Ops tf, Operand <? extends TNumber > rótulos, Operand <T> previsões)
Calcula a perda de dobradiça categórica entre rótulos e previsões.
estática <T estende TNumber > Operando <T>
cosineSimilarity (Ops tf, Operand <? extends TNumber > rótulos, Operand <T> previsões, int []
Calcula a perda de similaridade de cosseno entre rótulos e previsões.
estática <T estende TNumber > Operando <T>
dobradiça (Ops tf, Operand <? extends TNumber > rótulos, Operand <T> previsões)
Calcula a perda de dobradiça entre rótulos e previsões

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

estática <T estende TNumber > Operando <T>
huber (Ops tf, Operand <? extends TNumber > rótulos, Operand <T> previsões, float delta)
Calcula a perda de Huber entre rótulos e previsões.
estática <T estende TNumber > Operando <T>
kullbackLeiblerDivergence (Ops tf, Operand <? extends TNumber > rótulos, Operand <T> previsões)
Calcula a perda de divergência de Kullback-Leibler entre rótulos e previsões.
estática <T estende TNumber > Operando <T>
l2Normalize (Ops tf, Operand <T> x, eixo int [])
Normaliza ao longo do eixo da dimensão usando uma norma L2.
estática <T estende TNumber > Operando <T>
logCosh (Ops tf, Operand <? extends TNumber > rótulos, Operand <T> previsões)
Calcula a perda de cosseno hiperbólico entre rótulos e previsões.
estática <T estende TNumber > Operando <T>
meanAbsoluteError (Ops tf, Operand <? extends TNumber > rótulos, Operand <T> previsões)
Calcula o erro médio absoluto entre rótulos e previsões.
estática <T estende TNumber > Operando <T>
meanAbsolutePercentageError (Ops tf, Operand <? extends TNumber > rótulos, Operand <T> previsões)
Calcula o erro percentual absoluto médio entre rótulos e previsões.
estática <T estende TNumber > Operando <T>
meanSquaredError (Ops tf, Operand <? extends TNumber > rótulos, Operand <T> previsões)
Calcula o erro quadrático médio entre rótulos e previsões.
estática <T estende TNumber > Operando <T>
meanSquaredLogarithmicError (Ops tf, Operand <? extends TNumber > rótulos, Operand <T> previsões)
Calcula o erro logarítmico médio quadrático entre rótulos e previsões.
estática <T estende TNumber > Operando <T>
poisson (Ops tf, Operand <? extends TNumber > rótulos, Operand <T> previsões)
Calcula a perda de Poisson entre rótulos e previsões.
estática <T estende TNumber > Operando <T>
sparseCategoricalCrossentropy (Ops tf, Operand <? extends TNumber > rótulos, Operand <T> previsões, booleano fromLogits, int axis)
Calcula a perda de entropia cruzada categórica esparsa entre rótulos e previsões.
estática <T estende TNumber > Operando <T>
squaredHinge (Ops tf, Operand <? extends TNumber > rótulos, Operand <T> previsões)
Calcula a perda de dobradiça quadrada entre rótulos e previsões.

Métodos herdados

Constantes

public static final int CHANNELS_FIRST

Valor Constante: 1

public static final int CHANNELS_LAST

Valor constante: -1

público estático final float EPSILON

Fator de difusão padrão.

Valor constante: 1.0E-7

Construtores Públicos

perdas públicas ()

Métodos Públicos

public static Operand <T> binaryCrossentropy (Ops tf, Operand <? extends TNumber > rótulos, Operand <T> previsões, booleano fromLogits, float labelSmoothing)

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

Parâmetros
tf o TensorFlow Ops
rótulos alvos verdadeiros
previsões as previsões
fromLogits Se deve interpretar as previsões como um tensor de valores logit
labelSmoothing Um número no intervalo [0, 1]. Quando 0, não ocorre suavização. Quando> 0, calcule a perda entre os rótulos previstos e uma versão suavizada dos rótulos verdadeiros, onde a suavização pressiona os rótulos para 0,5. Valores maiores de labelSmoothing correspondem a maior suavização.
Devoluções
  • a perda cruzada binária.

public static Operand <T> categoricalCrossentropy (Ops tf, Operand <? extends TNumber > rótulos, Operand <T> previsões, booleano fromLogits, float labelSmoothing, int axis)

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

Parâmetros
tf o TensorFlow Ops
rótulos alvos verdadeiros
previsões as previsões
fromLogits Se deve interpretar as previsões como um tensor de valores logit
labelSmoothing Flutue em [0, 1] . Quando > 0 , os valores do rótulo são suavizados, o que significa que a confiança nos valores do rótulo 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 a
Devoluções
  • a perda cruzada categórica.

public static Operando <T> categoricalHinge (Ops tf, Operando <? estende TNumber > etiquetas, Operando <T> previsões)

Calcula a perda de dobradiça categórica entre rótulos e previsões.

Parâmetros
tf o TensorFlow Ops
rótulos alvos verdadeiros, espera-se que os valores sejam 0 ou 1.
previsões as previsões
Devoluções
  • a perda de dobradiça categórica

public static Operand <T> cosineSimilarity (Ops tf, Operand <? extends TNumber > rótulos, Operand <T> previsões, int [] axis)

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

Observe que é um número entre -1 e 1 , que é diferente da definição matemática de similaridade de cosseno, onde 1 representa vetores semelhantes e 0 representa vetores diferentes. Nesta função, os números são invertidos em um 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 o torna utilizável como uma função de perda em um ambiente onde você tenta maximizar a proximidade entre as previsões e os 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 o TensorFlow Ops
rótulos alvos verdadeiros
previsões as previsões
eixo Eixo ao longo do qual determinar a similaridade.
Devoluções
  • a perda de similaridade de cosseno

public static Operand <T> hinge (Ops tf, Operand <? extends TNumber > rótulos, Operand <T> previsões)

Calcula a perda de dobradiça entre rótulos e previsões

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

Parâmetros
tf o TensorFlow Ops
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 de dobradiça

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

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 o TensorFlow Ops
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

public static Operand <T> kullbackLeiblerDivergence (Ops tf, Operand <? extends TNumber > rótulos, Operand <T> previsões)

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

Parâmetros
tf o TensorFlow Ops
rótulos alvos verdadeiros
previsões as previsões
Devoluções
  • a perda de divergência Kullback-Leibler
Veja também

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

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

Parâmetros
tf TensorFlow Ops
x a entrada
eixo Dimensão ao longo da qual normalizar.
Devoluções
  • os valores normalizados com base na norma L2

public static Operand <T> logCosh (Ops tf, Operand <? extends TNumber > rótulos, Operand <T> previsões)

Calcula a perda de cosseno hiperbólico entre rótulos e previsões.

log(cosh(x)) é aproximadamente igual a (x ** 2) / 2 para x pequeno e 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 o TensorFlow Ops
rótulos alvos verdadeiros
previsões as previsões
Devoluções
  • a perda de divergência cosseno hiperbólica

public static Operand <T> meanAbsoluteError (Ops tf, Operand <? extends TNumber > rótulos, Operand <T> previsões)

Calcula o erro médio absoluto entre rótulos e previsões.

loss = reduceMean(abs(labels - predictions))

Parâmetros
tf TensorFlow Ops
rótulos os rótulos
previsões as previsões
Devoluções
  • o erro médio absoluto

public static Operando <T> meanAbsolutePercentageError (Ops tf, Operando <? estende TNumber > etiquetas, Operando <T> previsões)

Calcula o erro percentual absoluto médio entre rótulos e previsões.

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

Parâmetros
tf TensorFlow Ops
rótulos os rótulos
previsões as previsões
Devoluções
  • o erro percentual absoluto médio

public static Operand <T> meanSquaredError (Ops tf, Operand <? extends TNumber > rótulos, Operand <T> previsões)

Calcula o erro quadrático médio entre rótulos e previsões.

loss = reduceMean(square(labels - predictions))

Parâmetros
tf TensorFlow Ops
rótulos os rótulos
previsões as previsões
Devoluções
  • o erro quadrático médio

public static Operando <T> meanSquaredLogarithmicError (Ops tf, Operando <? estende TNumber > etiquetas, Operando <T> previsões)

Calcula o erro logarítmico médio quadrático entre rótulos e previsões.

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

Parâmetros
tf TensorFlow Ops
rótulos os rótulos
previsões as previsões
Devoluções
  • o erro percentual logarítmico médio quadrático

public static Operand <T> poisson (Ops tf, Operand <? extends TNumber > rótulos, Operand <T> previsões)

Calcula a perda de Poisson entre rótulos e previsões.

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

Parâmetros
tf o TensorFlow Ops
rótulos alvos verdadeiros
previsões as previsões
Devoluções
  • a perda de Poisson

public static Operand <T> sparseCategoricalCrossentropy (Ops tf, Operand <? extends TNumber > rótulos, Operand <T> previsões, booleano fromLogits, int axis)

Calcula a perda de entrecropia cruzada categórica esparsa entre rótulos e predições.

Parâmetros
tf o TensorFlow Ops
rótulos alvos verdadeiros
previsões as previsões
fromLogits Se as previsões devem ser 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 perda de entropia cruzada categórica esparsa

public static Operand <T> squaredHinge (Ops tf, Operand <? extends TNumber > rótulos, Operand <T> previsões)

Calcula a perda de dobradiça quadrada entre rótulos e previsões.

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

Parâmetros
tf o TensorFlow Ops
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 quadrada