TensorFlow kembali hadir di Google I/O pada 14 Mei! Daftar sekarang

Halaman ini diterjemahkan oleh Cloud Translation API.

SparseCategoricalCrossentropy

kelas publik SparseCategoricalCrossentropy

Menghitung kerugian crossentropy antara label dan prediksi.

Gunakan fungsi kerugian crossentropy ini ketika ada dua atau lebih kelas label. Label diharapkan diberikan sebagai bilangan bulat. Jika Anda ingin memberikan label menggunakan representasi one-hot , silakan gunakan kerugian CategoricalCrossentropy . Harus ada # classes nilai floating point per fitur untuk predictions dan satu nilai floating point per fitur untuk label .

Pada cuplikan di bawah, terdapat satu nilai titik mengambang per contoh untuk labels dan # classes nilai titik mengambang per contoh untuk predictions . Bentuk labels adalah [batch_size] dan bentuk predictions adalah [batch_size, num_classes] .

Penggunaan mandiri:

    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

Memanggil dengan berat sampel:

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

Menggunakan tipe pengurangan SUM :

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

Menggunakan tipe reduksi NONE :

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

Konstanta

ke dalam	AXIS_DEFAULT
boolean	DARI_LOGITS_DEFAULT

Bidang Warisan

Dari kelas org.tensorflow.framework.losses.Loss

Pengurangan akhir statis publik REDUCTION_DEFAULT

Konstruktor Publik

	SparseCategoricalCrossentropy (Ops tf) Membuat kerugian SparseCategoricalCrossentropy menggunakan `getSimpleName()` sebagai nama kerugian, Pengurangan Kerugian sebesar `REDUCTION_DEFAULT` , dan fromLogits= `FROM_LOGITS_DEFAULT` .
	SparseCategoricalCrossentropy (Ops tf, Nama string) Membuat kerugian SparseCategoricalCrossentropy menggunakan Pengurangan Kerugian `REDUCTION_DEFAULT` , dan fromLogits= `FROM_LOGITS_DEFAULT` .
	SparseCategoricalCrossentropy (Ops tf, Pengurangan pengurangan) Membuat kerugian SparseCategoricalCrossentropy menggunakan `getSimpleName()` sebagai nama kerugian, dengan Reduction.AUTO dan fromLogits= `FROM_LOGITS_DEFAULT` .
	SparseCategoricalCrossentropy (Ops tf, Nama string, Pengurangan pengurangan) Membuat kerugian SparseCategoricalCrossentropy dengan Reduction.AUTO dan fromLogits= `FROM_LOGITS_DEFAULT` .
	SparseCategoricalCrossentropy (Ops tf, nama String, boolean fromLogits) Membuat SparseCategoricalCrossentropy menggunakan Pengurangan Kerugian `REDUCTION_DEFAULT` , dan fromLogits= `FROM_LOGITS_DEFAULT` .
	SparseCategoricalCrossentropy (Ops tf, boolean dariLogits) Membuat kerugian SparseCategoricalCrossentropy menggunakan `getSimpleName()` sebagai nama kerugian, Pengurangan Kerugian `REDUCTION_DEFAULT` dan fromLogits= `FROM_LOGITS_DEFAULT` .
	SparseCategoricalCrossentropy (Ops tf, boolean fromLogits, Pengurangan pengurangan) Membuat kerugian SparseCategoricalCrossentropy menggunakan `getSimpleName()` sebagai nama kerugian,
	SparseCategoricalCrossentropy (Ops tf, Nama string, boolean fromLogits, Reduksi reduksi, sumbu int) Membuat SparseCategoricalCrossentropy

Metode Publik

<T memperluas TNomber > Operan <T>

panggilan ( Operand <? extends TNumber > label, prediksi Operand <T>, Operand <T> sampleWeights)

Menghasilkan Operan yang menghitung kerugian.

Metode Warisan

Dari kelas org.tensorflow.framework.losses.Loss

abstrak <T extends TNumber > Operan <T>	panggilan ( Operand <? extends TNumber > label, prediksi Operand <T>, Operand <T> sampleWeights) Menghasilkan Operan yang menghitung kerugian.
<T memperluas TNomber > Operan <T>	panggilan ( Operand <? extends TNumber > label, prediksi Operand <T>) Menghitung kerugiannya
Pengurangan	dapatkan Pengurangan () Mendapatkan pengurangan kerugian
Operasi	dapatkanTF () Mendapatkan Operasi TensorFlow

Dari kelas java.lang.Object

boolean	sama dengan (Objek arg0)
Kelas terakhir<?>	dapatkan Kelas ()
ke dalam	Kode hash ()
kekosongan terakhir	memberitahu ()
kekosongan terakhir	beri tahuSemua ()
Rangkaian	keString ()
kekosongan terakhir	tunggu (arg0 panjang, int arg1)
kekosongan terakhir	tunggu (argumen panjang0)
kekosongan terakhir	Tunggu ()

Konstanta

int akhir statis publik AXIS_DEFAULT

Nilai Konstan: -1

boolean akhir statis publik FROM_LOGITS_DEFAULT

Nilai Konstan: salah

Konstruktor Publik

publik SparseCategoricalCrossentropy (Ops tf)

Membuat kerugian SparseCategoricalCrossentropy menggunakan getSimpleName() sebagai nama kerugian, Pengurangan Kerugian sebesar REDUCTION_DEFAULT , dan fromLogits= FROM_LOGITS_DEFAULT .

Parameter

tf	Operasi TensorFlow

publik SparseCategoricalCrossentropy (Ops tf, Nama string)

Membuat kerugian SparseCategoricalCrossentropy menggunakan Pengurangan Kerugian REDUCTION_DEFAULT , dan fromLogits= FROM_LOGITS_DEFAULT .

Parameter

tf	Operasi TensorFlow
nama	nama fungsi kerugian ini

public SparseCategoricalCrossentropy (Ops tf, Pengurangan pengurangan)

Membuat kerugian SparseCategoricalCrossentropy menggunakan getSimpleName() sebagai nama kerugian, dengan Reduction.AUTO dan fromLogits= FROM_LOGITS_DEFAULT .

Parameter

tf	Operasi TensorFlow
pengurangan	Jenis Pengurangan yang diterapkan pada kerugian.

public SparseCategoricalCrossentropy (Ops tf, Nama string, Pengurangan pengurangan)

Membuat kerugian SparseCategoricalCrossentropy dengan Reduction.AUTO dan fromLogits= FROM_LOGITS_DEFAULT .

Parameter

tf	Operasi TensorFlow
nama	nama fungsi kerugian ini
pengurangan	Jenis Pengurangan yang diterapkan pada kerugian.

SparseCategoricalCrossentropy publik (Ops tf, nama String, boolean fromLogits)

Membuat SparseCategoricalCrossentropy menggunakan Pengurangan Kerugian REDUCTION_DEFAULT , dan fromLogits= FROM_LOGITS_DEFAULT .

Parameter

tf	Operasi TensorFlow
nama	nama fungsi kerugian ini
dariLogits	Apakah akan menafsirkan prediksi sebagai tensor nilai logit

public SparseCategoricalCrossentropy (Ops tf, boolean fromLogits)

Membuat kerugian SparseCategoricalCrossentropy menggunakan getSimpleName() sebagai nama kerugian, Pengurangan Kerugian REDUCTION_DEFAULT dan fromLogits= FROM_LOGITS_DEFAULT .

Parameter

tf	Operasi TensorFlow
dariLogits	Apakah akan menafsirkan prediksi sebagai tensor nilai logit

public SparseCategoricalCrossentropy (Ops tf, boolean fromLogits, Pengurangan pengurangan)

Membuat kerugian SparseCategoricalCrossentropy menggunakan getSimpleName() sebagai nama kerugian,

Parameter

tf	Operasi TensorFlow
dariLogits	Apakah akan menafsirkan prediksi sebagai tensor nilai logit
pengurangan	Jenis Pengurangan yang diterapkan pada kerugian.

SparseCategoricalCrossentropy publik (Ops tf, Nama string, boolean fromLogits, Pengurangan pengurangan, sumbu int)

Membuat SparseCategoricalCrossentropy

Parameter

tf	Operasi TensorFlow
nama	nama fungsi kerugian ini
dariLogits	Apakah akan menafsirkan prediksi sebagai tensor nilai logit
pengurangan	Jenis Pengurangan yang diterapkan pada kerugian.
sumbu	Sumbu saluran. `axis=-1` sesuai dengan format data `Saluran Terakhir' dan `axis=1` sesuai dengan format data 'Saluran Pertama'.

Metode Publik

panggilan Operand <T> publik ( label Operand <? extends TNumber >, prediksi Operand <T>, Operand <T> sampleWeights)

Menghasilkan Operan yang menghitung kerugian.

Jika dijalankan dalam mode Grafik, komputasi akan memunculkan TFInvalidArgumentException jika nilai prediksi berada di luar rentang o [0. ke 1.]. Dalam Mode Eager, panggilan ini akan memunculkan IllegalArgumentException , jika nilai prediksi berada di luar rentang o [0. ke 1.]

Parameter

label	nilai atau label kebenaran
prediksi	prediksi, nilai harus berada dalam kisaran [0. ke 1.] inklusif.
sampelBerat	SampleWeights opsional bertindak sebagai koefisien kerugian. Jika skalar disediakan, maka kerugiannya hanya diskalakan dengan nilai yang diberikan. Jika SampleWeights adalah tensor dengan ukuran [batch_size], maka total kerugian untuk setiap sampel batch akan diubah skalanya dengan elemen terkait dalam vektor SampleWeights. Jika bentuk SampleWeights adalah [batch_size, d0, .. dN-1] (atau dapat disiarkan ke bentuk ini), maka setiap elemen prediksi yang hilang akan diskalakan dengan nilai SampleWeights yang sesuai. (Catatan pada dN-1: semua fungsi kerugian berkurang 1 dimensi, biasanya sumbu=-1.)

Kembali

kerugian

Melempar

Pengecualian Argumen Ilegal	jika prediksi berada di luar rentang [0.-1.].