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> | |
estática <T estende TNumber > Operando <T> | |
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> | |
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> | |
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
public static final int CHANNELS_LAST
público estático final float EPSILON
Fator de difusão padrão.
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