TensorFlow 14 মে Google I/O-তে ফিরে এসেছে! এখন নিবন্ধন করুন

এই পৃষ্ঠাটি Cloud Translation API অনুবাদ করেছে।

SparseCategoricalCrossentropy

পাবলিক ক্লাস স্পার্স ক্যাটাগরিকাল ক্রসেনট্রপি

লেবেল এবং ভবিষ্যদ্বাণীগুলির মধ্যে ক্রসেন্ট্রপি ক্ষতি গণনা করে।

দুই বা ততোধিক লেবেল ক্লাস থাকলে এই ক্রসসেনট্রপি লস ফাংশনটি ব্যবহার করুন। লেবেল পূর্ণসংখ্যা হিসাবে প্রদান করা হবে বলে আশা করা হচ্ছে. আপনি যদি one-hot রিপ্রেজেন্টেশন ব্যবহার করে লেবেল প্রদান করতে চান, অনুগ্রহ করে CategoricalCrossentropy লস ব্যবহার করুন। predictions জন্য বৈশিষ্ট্য প্রতি # classes ফ্লোটিং পয়েন্ট মান এবং label জন্য বৈশিষ্ট্য প্রতি একটি একক ফ্লোটিং পয়েন্ট মান থাকতে হবে।

নীচের স্নিপেটে, labels জন্য উদাহরণ প্রতি একটি একক ফ্লোটিং পয়েন্ট মান এবং predictions জন্য উদাহরণ প্রতি # classes ফ্লোটিং পয়েন্টিং মান রয়েছে। labels আকৃতি হল [batch_size] এবং predictions আকৃতি হল [batch_size, num_classes] ।

স্বতন্ত্র ব্যবহার:

    Operand<TFloat32> labels =
        tf.constant(new float[] {1, 2});
    Operand<TFloat32> predictions =
        tf.constant(new float[][] { {0.05f, 0.95f, 0f}, {0.1f, 0.8f, 0.1f} });
    SparseCategoricalCrossentropy sparseCCE = new SparseCategoricalCrossentropy(tf);
    Operand<TFloat32> result = sparseCCE.call(labels, predictions);
    // produces 1.177f

নমুনা ওজন সহ কলিং:

    Operand<TFloat32> sampleWeight = tf.constant(new float[] {0.3f, 0.7f});
    Operand<TFloat32> result = sparseCCE.call(labels, predictions, sampleWeight);
    // produces 0.814f

SUM হ্রাসের ধরন ব্যবহার করা:

    SparseCategoricalCrossentropy sparseCCE = new SparseCategoricalCrossentropy(tf, Reduction.SUM);
    Operand<TFloat32> result = sparseCCE.call(labels, predictions);
    // produces 2.354f

NONE রিডাকশন টাইপ ব্যবহার করা:

    SparseCategoricalCrossentropy sparseCCE = new SparseCategoricalCrossentropy(tf, Reduction.NONE);
    Operand<TFloat32> result = sparseCCE.call(labels, predictions);
    // produces [0.0513f, 2.303f]

ধ্রুবক

int	AXIS_DEFAULT
বুলিয়ান	FROM_LOGITS_DEFAULT

উত্তরাধিকারসূত্রে প্রাপ্ত ক্ষেত্র

org.tensorflow.framework.losses.Loss ক্লাস থেকে

পাবলিক স্ট্যাটিক চূড়ান্ত হ্রাস REDUCTION_DEFAULT

পাবলিক কনস্ট্রাক্টর

	স্পার্স ক্যাটাগরিকাল ক্রসেনট্রপি (অপস টিএফ) লস নাম হিসাবে `getSimpleName()` ব্যবহার করে একটি SparseCategoricalCrossentropy ক্ষতি তৈরি করে, `REDUCTION_DEFAULT` এর ক্ষতি হ্রাস এবং fromLogits= `FROM_LOGITS_DEFAULT` ।
	SparseCategoricalCrossentropy (Ops tf, স্ট্রিং নাম) `REDUCTION_DEFAULT` , এবং fromLogits= `FROM_LOGITS_DEFAULT` এর ক্ষতি হ্রাস ব্যবহার করে একটি স্পার্স ক্যাটেগরিক্যাল ক্রসসেনট্রপি ক্ষতি তৈরি করে।
	SparseCategoricalCrossentropy (Ops tf, হ্রাস হ্রাস) Reduction.AUTO এবং fromLogits= `FROM_LOGITS_DEFAULT` সহ, লস নাম হিসাবে `getSimpleName()` ব্যবহার করে একটি SparseCategoricalCrossentropy ক্ষতি তৈরি করে।
	SparseCategoricalCrossentropy (Ops tf, স্ট্রিং নাম, হ্রাস হ্রাস) Reduction.AUTO এবং fromLogits= `FROM_LOGITS_DEFAULT` সহ একটি স্পার্স ক্যাটেগরিক্যাল ক্রসসেনট্রপি ক্ষতি তৈরি করে।
	SparseCategoricalCrossentropy (Ops tf, স্ট্রিং নাম, Logits থেকে বুলিয়ান) `REDUCTION_DEFAULT` এবং fromLogits= `FROM_LOGITS_DEFAULT` এর ক্ষতি হ্রাস ব্যবহার করে একটি স্পার্স ক্যাটেগরিক্যাল ক্রসসেনট্রপি তৈরি করে।
	SparseCategoricalCrossentropy (Ops tf, Logits থেকে বুলিয়ান) লস নাম হিসাবে `getSimpleName()` ব্যবহার করে একটি SparseCategoricalCrossentropy ক্ষতি তৈরি করে, `REDUCTION_DEFAULT` এর ক্ষতি হ্রাস এবং fromLogits= `FROM_LOGITS_DEFAULT` ।
	SparseCategoricalCrossentropy (Ops tf, Logits থেকে বুলিয়ান, হ্রাস হ্রাস) লস নাম হিসাবে `getSimpleName()` ব্যবহার করে একটি SparseCategoricalCrossentropy ক্ষতি তৈরি করে,
	SparseCategoricalCrossentropy (Ops tf, স্ট্রিং নাম, Logits থেকে বুলিয়ান, হ্রাস হ্রাস, int অক্ষ) একটি SparseCategoricalCrossentropy তৈরি করে

পাবলিক পদ্ধতি

<T TNumber > Operand <T> প্রসারিত করে

কল ( Operand <? প্রসারিত TNumber > লেবেল, Operand <T> পূর্বাভাস, Operand <T> নমুনা ওজন)

একটি অপারেন্ড তৈরি করে ক্ষতির হিসাব করে।

উত্তরাধিকারসূত্রে প্রাপ্ত পদ্ধতি

org.tensorflow.framework.losses.Loss ক্লাস থেকে

বিমূর্ত <T প্রসারিত TNumber > Operand <T>	কল ( Operand <? প্রসারিত TNumber > লেবেল, Operand <T> পূর্বাভাস, Operand <T> নমুনা ওজন) একটি অপারেন্ড তৈরি করে যা ক্ষতি গণনা করে।
<T TNumber > Operand <T> প্রসারিত করে	কল ( Operand <? প্রসারিত TNumber > লেবেল, Operand <T> পূর্বাভাস) লোকসান হিসাব করে
হ্রাস	getReduction () ক্ষতি হ্রাস পায়
অপ্স	getTF () TensorFlow Ops পায়

java.lang.Object ক্লাস থেকে

বুলিয়ান	সমান (অবজেক্ট arg0)
চূড়ান্ত ক্লাস<?>	getClass ()
int	হ্যাশ কোড ()
চূড়ান্ত শূন্যতা	অবহিত ()
চূড়ান্ত শূন্যতা	সকলকে অবহিত করুন ()
স্ট্রিং	স্ট্রিং ()
চূড়ান্ত শূন্যতা	অপেক্ষা করুন (দীর্ঘ arg0, int arg1)
চূড়ান্ত শূন্যতা	অপেক্ষা করুন (দীর্ঘ arg0)
চূড়ান্ত শূন্যতা	অপেক্ষা করুন ()

ধ্রুবক

AXIS_DEFAULT int পাবলিক স্ট্যাটিক ফাইনাল

ধ্রুবক মান: -1

পাবলিক স্ট্যাটিক ফাইনাল বুলিয়ান FROM_LOGITS_DEFAULT

ধ্রুবক মান: মিথ্যা

পাবলিক কনস্ট্রাক্টর

পাবলিক স্পার্স ক্যাটাগরিকাল ক্রসেনট্রপি (অপস টিএফ)

লস নাম হিসাবে getSimpleName() ব্যবহার করে একটি SparseCategoricalCrossentropy ক্ষতি তৈরি করে, REDUCTION_DEFAULT এর ক্ষতি হ্রাস এবং fromLogits= FROM_LOGITS_DEFAULT ।

পরামিতি

tf	টেনসরফ্লো অপস

পাবলিক স্পার্স ক্যাটেগরিক্যাল ক্রসেনট্রপি (অপস টিএফ, স্ট্রিং নাম)

REDUCTION_DEFAULT , এবং fromLogits= FROM_LOGITS_DEFAULT এর ক্ষতি হ্রাস ব্যবহার করে একটি স্পার্স ক্যাটেগরিক্যাল ক্রসসেনট্রপি ক্ষতি তৈরি করে।

পরামিতি

tf	টেনসরফ্লো অপস
নাম	এই ক্ষতি ফাংশন নাম

পাবলিক স্পার্স ক্যাটেগরিক্যাল ক্রসেনট্রপি (অপস টিএফ, রিডাকশন রিডাকশন)

Reduction.AUTO এবং fromLogits= FROM_LOGITS_DEFAULT সহ, লস নাম হিসাবে getSimpleName() ব্যবহার করে একটি SparseCategoricalCrossentropy ক্ষতি তৈরি করে।

পরামিতি

tf	টেনসরফ্লো অপস
হ্রাস	ক্ষতির জন্য প্রযোজ্য হ্রাসের প্রকার।

পাবলিক স্পার্স ক্যাটাগরিকালক্রসেনট্রপি (অপস টিএফ, স্ট্রিং নাম, হ্রাস হ্রাস)

Reduction.AUTO এবং fromLogits= FROM_LOGITS_DEFAULT সহ একটি স্পার্স ক্যাটেগরিক্যাল ক্রসসেনট্রপি ক্ষতি তৈরি করে।

পরামিতি

tf	টেনসরফ্লো অপস
নাম	এই ক্ষতি ফাংশন নাম
হ্রাস	ক্ষতির জন্য প্রযোজ্য হ্রাসের প্রকার।

পাবলিক স্পার্স ক্যাটেগরিক্যাল ক্রসেনট্রপি (অপস টিএফ, স্ট্রিং নাম, লজিটস থেকে বুলিয়ান)

REDUCTION_DEFAULT এবং fromLogits= FROM_LOGITS_DEFAULT এর ক্ষতি হ্রাস ব্যবহার করে একটি স্পার্স ক্যাটেগরিক্যাল ক্রসসেনট্রপি তৈরি করে।

পরামিতি

tf	টেনসরফ্লো অপস
নাম	এই ক্ষতি ফাংশন নাম
লগিট থেকে	লজিট মানের টেনসর হিসাবে ভবিষ্যদ্বাণীগুলিকে ব্যাখ্যা করা হবে কিনা

পাবলিক স্পার্স ক্যাটাগরিকাল ক্রসেনট্রপি (অপস টিএফ, লজিটস থেকে বুলিয়ান)

পরামিতি

tf	টেনসরফ্লো অপস
লগিট থেকে	লজিট মানের টেনসর হিসাবে ভবিষ্যদ্বাণীগুলিকে ব্যাখ্যা করা হবে কিনা

পাবলিক স্পার্স ক্যাটেগরিক্যাল ক্রসসেনট্রপি (অপস টিএফ, লজিটস থেকে বুলিয়ান, রিডাকশন রিডাকশন)

লস নাম হিসাবে getSimpleName() ব্যবহার করে একটি SparseCategoricalCrossentropy ক্ষতি তৈরি করে,

পরামিতি

tf	টেনসরফ্লো অপস
লগিট থেকে	লজিট মানের টেনসর হিসাবে ভবিষ্যদ্বাণীগুলিকে ব্যাখ্যা করা হবে কিনা
হ্রাস	ক্ষতির জন্য প্রযোজ্য হ্রাসের প্রকার।

পাবলিক স্পার্স ক্যাটাগরিকালক্রসেনট্রপি (অপস টিএফ, স্ট্রিং নাম, বুলিয়ান ফ্রম লজিটস, রিডাকশন রিডাকশন, int অক্ষ)

একটি SparseCategoricalCrossentropy তৈরি করে

পরামিতি

tf	টেনসরফ্লো অপস
নাম	এই ক্ষতি ফাংশন নাম
লগিট থেকে	লজিট মানের টেনসর হিসাবে ভবিষ্যদ্বাণীগুলিকে ব্যাখ্যা করা হবে কিনা
হ্রাস	ক্ষতির জন্য প্রযোজ্য হ্রাসের প্রকার।
অক্ষ	চ্যানেল অক্ষ. `axis=-1` ডেটা ফরম্যাট `চ্যানেল লাস্ট' এর সাথে এবং `axis=1` ডেটা ফরম্যাট 'চ্যানেল ফার্স্ট' এর সাথে মিলে যায়।

পাবলিক পদ্ধতি

সর্বজনীন অপারেন্ড <T> কল ( Operand <? TNumber > লেবেল প্রসারিত করে, Operand <T> পূর্বাভাস, Operand <T> নমুনা ওজন)

একটি অপারেন্ড তৈরি করে ক্ষতির হিসাব করে।

যদি গ্রাফ মোডে চালানো হয়, তাহলে কম্পিউটেশন TFInvalidArgumentException নিক্ষেপ করবে যদি ভবিষ্যদ্বাণীর মানগুলি o [0 রেঞ্জের বাইরে থাকে। থেকে 1.] Eager মোডে, এই কলটি IllegalArgumentException নিক্ষেপ করবে, যদি পূর্বাভাসের মানগুলি o [0' সীমার বাইরে থাকে। 1 থেকে।]

পরামিতি

লেবেল	সত্য মান বা লেবেল
ভবিষ্যদ্বাণী	ভবিষ্যদ্বাণী, মান অবশ্যই পরিসরে হতে হবে [0. to 1.] inclusive.
নমুনা ওজন	ঐচ্ছিক নমুনা ওজন ক্ষতির জন্য একটি সহগ হিসাবে কাজ করে। যদি একটি স্কেলার প্রদান করা হয়, তাহলে ক্ষতি শুধুমাত্র প্রদত্ত মান দ্বারা স্কেল করা হয়। যদি স্যাম্পলওয়েটস আকারের একটি টেনসর হয় [ব্যাচ_সাইজ], তাহলে ব্যাচের প্রতিটি নমুনার জন্য মোট ক্ষতি নমুনা ওয়েটস ভেক্টরের সংশ্লিষ্ট উপাদান দ্বারা পুনরায় স্কেল করা হয়। যদি নমুনা ওজনের আকৃতি হয় [batch_size, d0, .. dN-1] (অথবা এই আকারে সম্প্রচার করা যেতে পারে), তাহলে ভবিষ্যদ্বাণীর প্রতিটি ক্ষতির উপাদান নমুনা ওজনের সংশ্লিষ্ট মান দ্বারা স্কেল করা হয়। (dN-1-এ দ্রষ্টব্য: সমস্ত ক্ষতি ফাংশন 1 মাত্রা দ্বারা হ্রাস পায়, সাধারণত অক্ষ =-1।)

রিটার্নস

ক্ষতি

নিক্ষেপ করে

অবৈধ আর্গুমেন্ট ব্যতিক্রম	যদি পূর্বাভাস সীমার বাইরে হয় [0.-1.]।