TensorFlow sẽ trở lại tại Google I/O vào ngày 14 tháng 5! Đăng ký ngay bây giờ

Trang này được dịch bởi Cloud Translation API.

Losses

Tổn thất lớp công

Chức năng mất tích hợp.

Hằng số

int	KÊNH_FIRST
int	KÊNH_LAST
trôi nổi	EPSILON	Hệ số Fuzz mặc định.

Nhà xây dựng công cộng

Lỗ vốn ()

Phương pháp công khai

tĩnh <T mở rộng TNumber > Toán hạng <T>	nhị phânCrossentropy (Ops tf, Toán hạng <? mở rộng nhãn TNumber >, dự đoán Toán hạng <T>, boolean fromLogits, làm mịn nhãn nổi) Tính toán tổn thất entropy chéo nhị phân giữa nhãn và dự đoán.
tĩnh <T mở rộng TNumber > Toán hạng <T>	categoricalCrossentropy (Ops tf, Toán hạng <? mở rộng nhãn TNumber >, dự đoán Toán hạng <T>, boolean fromLogits, nhãn nổi Làm mịn, trục int) Tính toán tổn thất entropy chéo phân loại giữa nhãn và dự đoán.
tĩnh <T mở rộng TNumber > Toán hạng <T>	categoricalHinge (Ops tf, Toán hạng <? mở rộng nhãn TNumber >, dự đoán Toán hạng <T>) Tính toán tổn thất bản lề phân loại giữa nhãn và dự đoán.
tĩnh <T mở rộng TNumber > Toán hạng <T>	cosineSimilarity (Ops tf, Toán hạng <? mở rộng nhãn TNumber >, dự đoán Toán hạng <T>, trục int[]) Tính toán tổn thất tương tự cosin giữa nhãn và dự đoán.
tĩnh <T mở rộng TNumber > Toán hạng <T>	bản lề (Ops tf, Toán hạng <? mở rộng nhãn TNumber >, dự đoán Toán hạng <T>) Tính toán tổn thất bản lề giữa nhãn và dự đoán `loss = reduceMean(maximum(1 - labels * predictions, 0))`
tĩnh <T mở rộng TNumber > Toán hạng <T>	huber (Ops tf, Toán hạng <? mở rộng nhãn TNumber >, dự đoán Toán hạng <T>, float delta) Tính toán tổn thất Huber giữa nhãn và dự đoán.
tĩnh <T mở rộng TNumber > Toán hạng <T>	kullbackLeiblerDivergence (Ops tf, Toán hạng <? mở rộng TNumber > nhãn, dự đoán Toán hạng <T>) Tính toán tổn thất phân kỳ Kullback-Leibler giữa nhãn và dự đoán.
tĩnh <T mở rộng TNumber > Toán hạng <T>	l2Chuẩn hóa (Ops tf, Toán hạng <T> x, trục int[]) Chuẩn hóa dọc theo trục kích thước bằng cách sử dụng định mức L2.
tĩnh <T mở rộng TNumber > Toán hạng <T>	logCosh (Ops tf, Toán hạng <? mở rộng nhãn TNumber >, dự đoán Toán hạng <T>) Tính toán tổn thất cosin hyperbol giữa nhãn và dự đoán.
tĩnh <T mở rộng TNumber > Toán hạng <T>	MeanAbsoluteError (Ops tf, Toán hạng <? mở rộng TNumber > nhãn, dự đoán Toán hạng <T>) Tính toán sai số tuyệt đối trung bình giữa nhãn và dự đoán.
tĩnh <T mở rộng TNumber > Toán hạng <T>	MeanAbsolutePercentageError (Ops tf, Toán hạng <? mở rộng nhãn TNumber >, dự đoán Toán hạng <T>) Tính toán sai số phần trăm tuyệt đối trung bình giữa nhãn và dự đoán.
tĩnh <T mở rộng TNumber > Toán hạng <T>	MeanSquaredError (Ops tf, Toán hạng <? mở rộng TNumber > nhãn, dự đoán Toán hạng <T>) Tính toán sai số bình phương trung bình giữa nhãn và dự đoán.
tĩnh <T mở rộng TNumber > Toán hạng <T>	MeanSquaredLogarithmicError (Ops tf, Toán hạng <? mở rộng nhãn TNumber >, dự đoán Toán hạng <T>) Tính toán sai số logarit bình phương trung bình giữa các nhãn và dự đoán.
tĩnh <T mở rộng TNumber > Toán hạng <T>	poisson (Ops tf, Toán hạng <? mở rộng nhãn TNumber >, dự đoán Toán hạng <T>) Tính toán tổn thất Poisson giữa nhãn và dự đoán.
tĩnh <T mở rộng TNumber > Toán hạng <T>	thưa thớtCategoricalCrossentropy (Ops tf, Toán hạng <? mở rộng nhãn TNumber >, dự đoán Toán hạng <T>, boolean fromLogits, trục int) Tính toán tổn thất entropy chéo phân loại thưa thớt giữa nhãn và dự đoán.
tĩnh <T mở rộng TNumber > Toán hạng <T>	SquaredHinge (Ops tf, Toán hạng <? mở rộng TNumber > nhãn, dự đoán Toán hạng <T>) Tính toán tổn thất bản lề bình phương giữa các nhãn và dự đoán.

Phương pháp kế thừa

Từ lớp java.lang.Object

boolean	bằng (Đối tượng arg0)
Lớp cuối cùng<?>	getClass ()
int	Mã Băm ()
khoảng trống cuối cùng	thông báo ()
khoảng trống cuối cùng	thông báoTất cả ()
Sợi dây	toString ()
khoảng trống cuối cùng	chờ đã (arg0 dài, int arg1)
khoảng trống cuối cùng	chờ đã (arg0 dài)
khoảng trống cuối cùng	Chờ đợi ()

Hằng số

int cuối cùng tĩnh công khai CHANNELS_FIRST

Giá trị không đổi: 1

int cuối cùng tĩnh công khai CHANNELS_LAST

Giá trị không đổi: -1

phao tĩnh cuối cùng công khai EPSILON

Hệ số Fuzz mặc định.

Giá trị không đổi: 1.0E-7

Nhà xây dựng công cộng

Tổn thất công cộng ()

Phương pháp công khai

public static Toán hạng <T> nhị phânCrossentropy (Ops tf, Toán hạng <? mở rộng TNumber > nhãn, dự đoán Toán hạng <T>, boolean fromLogits, float labelSmoothing)

Tính toán tổn thất entropy chéo nhị phân giữa nhãn và dự đoán.

Thông số

tf	hoạt động của TensorFlow
nhãn	mục tiêu thực sự
phỏng đoán	những dự đoán
từNhật ký	Có nên diễn giải các dự đoán dưới dạng tenxơ của các giá trị logit hay không
nhãnLàm mịn	Một số trong khoảng [0, 1]. Khi bằng 0, không có sự làm mịn nào xảy ra. Khi > 0, hãy tính tổn thất giữa các nhãn được dự đoán và phiên bản được làm mịn của các nhãn thực, trong đó việc làm mịn sẽ ép các nhãn về phía 0,5. Giá trị lớn hơn của labelSmoothing tương ứng với việc làm mịn nặng hơn.

Trả lại

sự mất mát entropy nhị phân.

public static Toán hạng <T> phân loạiCrossentropy (Ops tf, Toán hạng <? mở rộng TNumber > nhãn, dự đoán Toán hạng <T>, boolean fromLogits, float labelSmoothing, trục int)

Tính toán tổn thất entropy chéo phân loại giữa nhãn và dự đoán.

Thông số

tf	hoạt động của TensorFlow
nhãn	mục tiêu thực sự
phỏng đoán	những dự đoán
từNhật ký	Có nên diễn giải các dự đoán dưới dạng tenxơ của các giá trị logit hay không
nhãnLàm mịn	Nổi trong `[0, 1]` . Khi `> 0` , các giá trị nhãn được làm mịn, nghĩa là độ tin cậy trên các giá trị nhãn được giảm bớt. ví dụ: `labelSmoothing=0.2` có nghĩa là chúng tôi sẽ sử dụng giá trị `0.1` cho nhãn `0` và `0.9` cho nhãn `1`
trục	các

Trả lại

sự mất mát entropy chéo phân loại.

public static Toán hạng <T> categoricalHinge (Ops tf, Toán hạng <? mở rộng TNumber > nhãn, dự đoán Toán hạng <T>)

Tính toán tổn thất bản lề phân loại giữa nhãn và dự đoán.

Thông số

tf	hoạt động của TensorFlow
nhãn	mục tiêu thực sự, giá trị dự kiến là 0 hoặc 1.
phỏng đoán	những dự đoán

Trả lại

mất bản lề phân loại

public static Toán hạng <T> cosineSimilarity (Ops tf, Toán hạng <? mở rộng TNumber > nhãn, dự đoán Toán hạng <T>, trục int[])

Tính toán tổn thất tương tự cosin giữa nhãn và dự đoán.

Lưu ý rằng đó là một số nằm trong khoảng từ -1 đến 1 , khác với định nghĩa toán học về độ tương tự cosine trong đó 1 đại diện cho các vectơ tương tự và 0 đại diện cho các vectơ không giống nhau. Trong hàm này, các số được đảo ngược trong phạm vi từ -1 đến 1 . Khi đó là số âm trong khoảng từ -1 đến 0 , 0 biểu thị tính trực giao và các giá trị gần -1 biểu thị mức độ tương tự lớn hơn. Các giá trị gần bằng 1 cho thấy sự khác biệt lớn hơn. Điều này làm cho nó có thể được sử dụng như một hàm mất mát trong cài đặt mà bạn cố gắng tối đa hóa khoảng cách giữa các dự đoán và mục tiêu. Nếu nhãn hoặc dự đoán là vectơ bằng 0 thì độ tương tự cosine sẽ bằng 0 bất kể khoảng cách giữa dự đoán và mục tiêu.

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

Thông số

tf	hoạt động của TensorFlow
nhãn	mục tiêu thực sự
phỏng đoán	những dự đoán
trục	Trục dọc theo đó để xác định sự tương đồng.

Trả lại

sự mất tương tự cosin

bản lề Toán hạng tĩnh công khai <T> (Ops tf, Toán hạng <? mở rộng nhãn TNumber >, dự đoán Toán hạng <T>)

Tính toán tổn thất bản lề giữa nhãn và dự đoán

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

Thông số

tf	hoạt động của TensorFlow
nhãn	mục tiêu thực sự, giá trị dự kiến là -1 hoặc 1. Nếu nhãn nhị phân (0 hoặc 1) được cung cấp, chúng sẽ được chuyển đổi thành -1 hoặc 1.
phỏng đoán	những dự đoán

Trả lại

mất bản lề

huber toán hạng tĩnh công khai <T> (Ops tf, toán hạng <? mở rộng nhãn TNumber >, dự đoán toán hạng <T>, float delta)

Tính toán tổn thất Huber giữa nhãn và dự đoán.

Đối với mỗi giá trị x có lỗi = nhãn - dự đoán:

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

trong đó d là delta.

Thông số

tf	hoạt động của TensorFlow
nhãn	mục tiêu thực sự
phỏng đoán	những dự đoán
đồng bằng	điểm mà hàm mất Huber thay đổi từ bậc hai sang tuyến tính.

Trả lại

sự mất mát của Huber

public static Toán hạng <T> kullbackLeiblerDivergence (Ops tf, Toán hạng <? mở rộng TNumber > nhãn, dự đoán Toán hạng <T>)

Tính toán tổn thất phân kỳ Kullback-Leibler giữa nhãn và dự đoán.

Thông số

tf	hoạt động của TensorFlow
nhãn	mục tiêu thực sự
phỏng đoán	những dự đoán

Trả lại

mất phân kỳ Kullback-Leibler

Xem thêm

Kullback?Leibler phân kỳ

Toán hạng tĩnh công khai <T> l2Normalize (Ops tf, Toán hạng <T> x, int[] trục)

Chuẩn hóa dọc theo trục kích thước bằng cách sử dụng định mức L2.

Thông số

tf	Hoạt động của TensorFlow
x	đầu vào
trục	Kích thước dọc theo đó để bình thường hóa.

Trả lại

các giá trị chuẩn hóa dựa trên định mức L2

public static Toán hạng <T> logCosh (Ops tf, Toán hạng <? mở rộng TNumber > nhãn, dự đoán Toán hạng <T>)

Tính toán tổn thất cosin hyperbol giữa nhãn và dự đoán.

log(cosh(x)) xấp xỉ bằng (x ** 2) / 2 đối với x nhỏ và abs(x) - log(2) đối với x lớn . Điều này có nghĩa là 'logCosh' hoạt động chủ yếu giống như lỗi bình phương trung bình, nhưng sẽ không bị ảnh hưởng mạnh mẽ bởi dự đoán đôi khi cực kỳ sai.

Thông số

tf	hoạt động của TensorFlow
nhãn	mục tiêu thực sự
phỏng đoán	những dự đoán

Trả lại

sự mất phân kỳ cosin hyperbol

Toán hạng tĩnh công khai <T> MeanAbsoluteError (Ops tf, Toán hạng <? mở rộng TNumber > nhãn, dự đoán Toán hạng <T>)

Tính toán sai số tuyệt đối trung bình giữa nhãn và dự đoán.

loss = reduceMean(abs(labels - predictions))

Thông số

tf	Hoạt động của TensorFlow
nhãn	nhãn
phỏng đoán	những dự đoán

Trả lại

sai số tuyệt đối trung bình

Toán hạng tĩnh công khai <T> MeanAbsolutePercentageError (Ops tf, Toán hạng <? mở rộng TNumber > nhãn, dự đoán Toán hạng <T>)

Tính toán sai số phần trăm tuyệt đối trung bình giữa nhãn và dự đoán.

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

Thông số

tf	Hoạt động của TensorFlow
nhãn	nhãn
phỏng đoán	những dự đoán

Trả lại

sai số phần trăm tuyệt đối trung bình

Toán hạng tĩnh công khai <T> MeanSquaredError (Ops tf, Toán hạng <? mở rộng TNumber > nhãn, dự đoán Toán hạng <T>)

Tính toán sai số bình phương trung bình giữa nhãn và dự đoán.

loss = reduceMean(square(labels - predictions))

Thông số

tf	Hoạt động của TensorFlow
nhãn	nhãn
phỏng đoán	những dự đoán

Trả lại

lỗi bình phương trung bình

Toán hạng tĩnh công khai <T> MeanSquaredLogarithmicError (Ops tf, Toán hạng <? mở rộng TNumber > nhãn, dự đoán Toán hạng <T>)

Tính toán sai số logarit bình phương trung bình giữa các nhãn và dự đoán.

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

Thông số

tf	Hoạt động của TensorFlow
nhãn	nhãn
phỏng đoán	những dự đoán

Trả lại

sai số phần trăm logarit bình phương trung bình

public static Toán hạng <T> poisson (Ops tf, Toán hạng <? mở rộng TNumber > nhãn, dự đoán Toán hạng <T>)

Tính toán tổn thất Poisson giữa nhãn và dự đoán.

Mất Poisson là giá trị trung bình của các phần tử trong predictions - labels * log(predictions) .

Thông số

tf	hoạt động của TensorFlow
nhãn	mục tiêu thực sự
phỏng đoán	những dự đoán

Trả lại

sự mất mát Poisson

public static Toán hạng <T> thưaCategoricalCrossentropy (Ops tf, Toán hạng <? mở rộng TNumber > nhãn, dự đoán Toán hạng <T>, boolean fromLogits, trục int)

Tính toán tổn thất entropy chéo phân loại thưa thớt giữa nhãn và dự đoán.

Thông số

tf	hoạt động của TensorFlow
nhãn	mục tiêu thực sự
phỏng đoán	những dự đoán
từNhật ký	Liệu các dự đoán có được dự đoán là log hay không. Theo mặc định, người ta giả định rằng các dự đoán mã hóa phân bố xác suất.
trục	Thứ nguyên mà entropy được tính toán.

Trả lại

sự mất mát entropy chéo phân loại thưa thớt

public static Toán hạng <T> bình phươngHinge (Ops tf, Toán hạng <? mở rộng TNumber > nhãn, dự đoán Toán hạng <T>)

Tính toán tổn thất bản lề bình phương giữa các nhãn và dự đoán.

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

Thông số

tf	hoạt động của TensorFlow
nhãn	mục tiêu thực sự, giá trị dự kiến là -1 hoặc 1. Nếu nhãn nhị phân (0 hoặc 1) được cung cấp *, chúng sẽ được chuyển đổi thành -1 hoặc 1.
phỏng đoán	những dự đoán

Trả lại

mất bản lề vuông