افت متقاطع بین برچسب ها و پیش بینی ها را محاسبه می کند.
هنگامی که دو یا چند کلاس برچسب وجود دارد از این تابع تلفات متقاطع استفاده کنید. انتظار می رود برچسب ها به صورت اعداد صحیح ارائه شوند. اگر میخواهید برچسبهایی را با استفاده از نمایش one-hot
ارائه کنید، لطفاً از دست دادن CategoricalCrossentropy
استفاده کنید. باید # classes
مقدار ممیز شناور برای هر ویژگی برای predictions
و یک مقدار ممیز شناور برای هر ویژگی برای label
وجود داشته باشد.
در قطعه زیر، یک مقدار ممیز شناور برای هر مثال برای labels
و # classes
مقادیر اشارهگر شناور در هر مثال برای predictions
وجود دارد. شکل labels
[batch_size]
و شکل predictions
[batch_size, num_classes]
است.
استفاده مستقل:
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
تماس با وزن نمونه:
Operand<TFloat32> sampleWeight = tf.constant(new float[] {0.3f, 0.7f}); Operand<TFloat32> result = sparseCCE.call(labels, predictions, sampleWeight); // produces 0.814f
با استفاده از نوع کاهش SUM
:
SparseCategoricalCrossentropy sparseCCE = new SparseCategoricalCrossentropy(tf, Reduction.SUM); Operand<TFloat32> result = sparseCCE.call(labels, predictions); // produces 2.354f
با استفاده از نوع کاهش NONE
:
SparseCategoricalCrossentropy sparseCCE = new SparseCategoricalCrossentropy(tf, Reduction.NONE); Operand<TFloat32> result = sparseCCE.call(labels, predictions); // produces [0.0513f, 2.303f]
ثابت ها
بین المللی | AXIS_DEFAULT | |
بولی | FROM_LOGITS_DEFAULT |
فیلدهای ارثی
سازندگان عمومی
SparseCategorical Crosssentropy (Ops tf) یک ضرر SparseCategoricalCrossentropy با استفاده از getSimpleName() به عنوان نام ضرر، کاهش ضرر REDUCTION_DEFAULT و fromLogits= FROM_LOGITS_DEFAULT ایجاد می کند. | |
SparseCategoricalCrossentropy (Ops tf، نام رشته) با استفاده از کاهش تلفات REDUCTION_DEFAULT و fromLogits= FROM_LOGITS_DEFAULT ، یک ضرر SparseCategoricalCrossentropy ایجاد می کند. | |
SparseCategorical Crosssentropy (Ops tf، کاهش کاهش) یک ضرر SparseCategoricalCrossentropy با استفاده از getSimpleName() به عنوان نام ضرر، با Reduction.AUTO و fromLogits= FROM_LOGITS_DEFAULT ایجاد می کند. | |
SparseCategoricalCrossentropy (Ops tf، نام رشته، کاهش کاهش) یک ضرر SparseCategoricalCrossentropy با Reduction.AUTO و fromLogits= FROM_LOGITS_DEFAULT ایجاد می کند. | |
SparseCategoricalCrossentropy (Ops tf، نام رشته، منطقی از Logits) با استفاده از کاهش تلفات REDUCTION_DEFAULT و fromLogits= FROM_LOGITS_DEFAULT یک SparseCategoricalCrossentropy ایجاد می کند. | |
SparseCategoricalCrossentropy (Ops tf، Boolean fromLogits) یک ضرر SparseCategoricalCrossentropy با استفاده از getSimpleName() به عنوان نام ضرر، کاهش ضرر REDUCTION_DEFAULT و fromLogits= FROM_LOGITS_DEFAULT ایجاد می کند. | |
SparseCategoricalCrossentropy (Ops tf، Boolean fromLogits، Reduction Reduction) یک ضرر SparseCategoricalCrossentropy با استفاده از getSimpleName() به عنوان نام ضرر ایجاد می کند. | |
SparseCategoricalCrossentropy (Ops tf، نام رشته، منطقی از Logits، کاهش کاهش، محور int) یک SparseCategoricalCrossentropy ایجاد می کند |
روش های عمومی
<T TNumber > عملوند <T> را گسترش می دهد |
روش های ارثی
ثابت ها
عمومی استاتیک نهایی int AXIS_DEFAULT
بولین نهایی ثابت عمومی FROM_LOGITS_DEFAULT
سازندگان عمومی
عمومی SparseCategoricalCrossentropy (Ops tf)
یک ضرر SparseCategoricalCrossentropy با استفاده از getSimpleName()
به عنوان نام ضرر، کاهش ضرر REDUCTION_DEFAULT
و fromLogits= FROM_LOGITS_DEFAULT
ایجاد می کند.
مولفه های
tf | TensorFlow Ops |
---|
عمومی SparseCategoricalCrossentropy (Ops tf، نام رشته)
با استفاده از کاهش تلفات REDUCTION_DEFAULT
و fromLogits= FROM_LOGITS_DEFAULT
، یک ضرر SparseCategoricalCrossentropy ایجاد می کند.
مولفه های
tf | TensorFlow Ops |
---|---|
نام | نام این تابع از دست دادن |
عمومی SparseCategorical Crosssentropy (Ops tf، کاهش کاهش )
یک ضرر SparseCategoricalCrossentropy با استفاده از getSimpleName()
به عنوان نام ضرر، با Reduction.AUTO و fromLogits= FROM_LOGITS_DEFAULT
ایجاد می کند.
مولفه های
tf | TensorFlow Ops |
---|---|
کاهش | نوع کاهش برای اعمال ضرر. |
عمومی SparseCategoricalCrossentropy (Ops tf، نام رشته، کاهش کاهش)
یک ضرر SparseCategoricalCrossentropy با Reduction.AUTO و fromLogits= FROM_LOGITS_DEFAULT
ایجاد می کند.
مولفه های
tf | TensorFlow Ops |
---|---|
نام | نام این تابع از دست دادن |
کاهش | نوع کاهش برای اعمال ضرر. |
عمومی SparseCategoricalCrossentropy (Ops tf، نام رشته، منطقی از Logits)
با استفاده از کاهش تلفات REDUCTION_DEFAULT
و fromLogits= FROM_LOGITS_DEFAULT
یک SparseCategoricalCrossentropy ایجاد می کند.
مولفه های
tf | TensorFlow Ops |
---|---|
نام | نام این تابع از دست دادن |
از لاجیتز | اینکه آیا پیشبینیها را به عنوان تانسور مقادیر لاجیت تفسیر کنیم |
عمومی SparseCategoricalCrossentropy (Ops tf، Boolean fromLogits)
یک ضرر SparseCategoricalCrossentropy با استفاده از getSimpleName()
به عنوان نام ضرر، کاهش ضرر REDUCTION_DEFAULT
و fromLogits= FROM_LOGITS_DEFAULT
ایجاد می کند.
مولفه های
tf | TensorFlow Ops |
---|---|
از لاجیتز | اینکه آیا پیشبینیها را به عنوان تانسور مقادیر لاجیت تفسیر کنیم |
عمومی SparseCategoricalCrossentropy (Ops tf، منطقی از Logits، کاهش کاهش )
یک ضرر SparseCategoricalCrossentropy با استفاده از getSimpleName()
به عنوان نام ضرر ایجاد می کند.
مولفه های
tf | TensorFlow Ops |
---|---|
از لاجیتز | اینکه آیا پیشبینیها را به عنوان تانسور مقادیر لاجیت تفسیر کنیم |
کاهش | نوع کاهش برای اعمال ضرر. |
عمومی SparseCategoricalCrossentropy (Ops tf، نام رشته، منطقی از Logits، کاهش کاهش، محور int)
یک SparseCategoricalCrossentropy ایجاد می کند
مولفه های
tf | TensorFlow Ops |
---|---|
نام | نام این تابع از دست دادن |
از لاجیتز | اینکه آیا پیشبینیها را به عنوان تانسور مقادیر لاجیت تفسیر کنیم |
کاهش | نوع کاهش برای اعمال ضرر. |
محور | محور کانال ها axis=-1 مربوط به فرمت داده "Channels Last" و axis=1 مربوط به قالب داده "Channels First" است. |
روش های عمومی
فراخوان عمومی Operand <T> ( Operand <? TNumber > برچسب ها را گسترش می دهد، پیش بینی های Operand <T>، Operand <T> sampleWeights)
یک عملوند تولید می کند و ضرر را محاسبه می کند.
اگر در حالت Graph اجرا شود، اگر مقادیر پیشبینیها خارج از محدوده o [0 باشند، محاسبه TFInvalidArgumentException
را انجام میدهد. به 1.]. در حالت اشتیاق، اگر مقادیر پیشبینیها خارج از محدوده o [0 باشند، این فراخوانی IllegalArgumentException
را انجام میدهد. به 1.]
مولفه های
برچسب ها | ارزش ها یا برچسب های حقیقت |
---|---|
پیش بینی ها | پیش بینی ها، مقادیر باید در محدوده [0. به 1.] شامل. |
وزن نمونه | SampleWeights اختیاری به عنوان ضریب ضرر عمل می کند. اگر یک اسکالر ارائه شود، ضرر به سادگی با مقدار داده شده مقیاس می شود. اگر SampleWeights یک تانسور با اندازه [batch_size] باشد، آنگاه تلفات کل برای هر نمونه از دسته توسط عنصر مربوطه در بردار SampleWeights مجدداً مقیاس میشود. اگر شکل SampleWeights [batch_size, d0, .. dN-1] باشد (یا می تواند به این شکل پخش شود)، آنگاه هر عنصر از دست دادن پیش بینی با مقدار مربوط به SampleWeights مقیاس می شود. (توجه به dN-1: تمام توابع تلفات 1 بعد کاهش می یابد، معمولاً محور =-1.) |
برمی گرداند
- از دست دادن
پرتاب می کند
IllegalArgumentException | اگر پیش بینی ها خارج از محدوده [0.-1.] باشد. |
---|