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
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> |
Metode Warisan
Konstanta
int akhir statis publik AXIS_DEFAULT
boolean akhir statis publik FROM_LOGITS_DEFAULT
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.]. |
---|