متریکی که افت آنتروپی متقاطع بین برچسب های واقعی و برچسب های پیش بینی شده را محاسبه می کند.
این کلاس متریک متقاطع است که در صورت وجود چندین کلاس برچسب (2 یا بیشتر) استفاده می شود. برچسب ها باید به عنوان یک نمایش یک_گرم داده شوند. به عنوان مثال، وقتی مقادیر برچسب ها [2, 0, 1]
هستند، برچسب های Operand شامل = [[0, 0, 1], [1, 0, 0], [0, 1, 0]]
ثابت های ارثی
سازندگان عمومی
CategoryCrossentropy (Ops tf، نام رشته، منطقی از Logits، float labelSmoothing، long seed، نوع Class<T>) یک متریک CategoricalCrossentropy ایجاد می کند که متریک متقاطع بین برچسب ها و پیش بینی ها را محاسبه می کند. | |
CategoryCrossentropy (Ops tf، نام رشته، منطقی از Logits، برچسب شناور هموارسازی، محور int، دانه بلند، نوع کلاس<T>) یک متریک CategoricalCrossentropy ایجاد می کند که متریک متقاطع بین برچسب ها و پیش بینی ها را محاسبه می کند. |
روش های عمومی
عملوند <T> |
روش های ارثی
سازندگان عمومی
عمومی CategoricalCrossentropy (Ops tf، نام رشته، منطقی ازLogits، float labelSmoothing، long seed، نوع Class<T>)
یک متریک CategoricalCrossentropy ایجاد می کند که متریک متقاطع بین برچسب ها و پیش بینی ها را محاسبه می کند.
از CHANNELS_LAST
برای محور کانال استفاده می کند.
مولفه های
tf | TensorFlow Ops |
---|---|
نام | نام این متریک، اگر null باشد، نام متریک getSimpleName() است. |
از لاجیتز | اینکه آیا پیشبینیها را بهعنوان تانسور مقادیر لاجیت یا در مقابل توزیع احتمال تفسیر کنیم. |
برچسب صاف کردن | مقداری که برای صاف کردن برچسب ها استفاده می شود، وقتی > 0، مقادیر برچسب هموار می شوند، به این معنی که اطمینان در مقادیر برچسب کاهش می یابد. به عنوان مثال labelSmoothing=0.2 به این معنی است که از مقدار 0.1 برای برچسب 0 و 0.9 برای برچسب 1 استفاده خواهیم کرد. |
دانه | دانه برای تولید اعداد تصادفی. یک مقدار اولیه ایجاد شده با یک دانه معین، همیشه همان تانسور تصادفی را برای یک شکل و نوع داده مشخص تولید می کند. |
نوع | نوع متغیرها و نتیجه |
عمومی CategoricalCrossentropy (Ops tf، نام رشته، منطقی از Logits، برچسب شناور صاف کردن، محور int، دانه طولانی، نوع کلاس<T>)
یک متریک CategoricalCrossentropy ایجاد می کند که متریک متقاطع بین برچسب ها و پیش بینی ها را محاسبه می کند.
مولفه های
tf | TensorFlow Ops |
---|---|
نام | نام این متریک، اگر null باشد، نام متریک getSimpleName() است. |
از لاجیتز | اینکه آیا پیشبینیها را بهعنوان تانسور مقادیر لاجیت در مقابل توزیع احتمال تفسیر کنیم. |
برچسب صاف کردن | مقداری که برای صاف کردن برچسب ها استفاده می شود، وقتی > 0، مقادیر برچسب هموار می شوند، به این معنی که اطمینان در مقادیر برچسب کاهش می یابد. به عنوان مثال labelSmoothing=0.2 به این معنی است که از مقدار 0.1 برای برچسب 0 و 0.9 برای برچسب 1 استفاده خواهیم کرد. |
محور | Int تعیین محور کانال ها. axis= مربوط به قالب داده channels_last و axis= مربوط به قالب داده channels_first است. |
دانه | دانه برای تولید اعداد تصادفی. یک مقدار اولیه ایجاد شده با یک دانه معین، همیشه همان تانسور تصادفی را برای یک شکل و نوع داده مشخص تولید می کند. |
نوع | نوع متغیرها و نتیجه |