หน่วยวัดที่คำนวณการสูญเสียเอนโทรปีข้ามหมวดหมู่ระหว่างป้ายกำกับที่แท้จริงและป้ายกำกับที่คาดการณ์ไว้
นี่คือคลาสเมทริกข้ามเอนโทรปีที่จะใช้เมื่อมีคลาสเลเบลหลายคลาส (2 คลาสขึ้นไป) ควรกำหนดป้ายกำกับเพื่อแสดง one_hot เช่น เมื่อค่าป้ายกำกับเป็น [2, 0, 1]
ป้ายกำกับ Operand จะมี = [[0, 0, 1], [1, 0, 0], [0, 1, 0]]
ค่าคงที่ที่สืบทอดมา
คอนสตรัคชั่นสาธารณะ
CategoricalCrossentropy (Ops tf, ชื่อสตริง, บูลีนจาก Logits, ป้ายกำกับโฟลตทำให้เรียบ, เมล็ดยาว, ประเภทคลาส <T>) สร้างเมตริก Crossentropy แบบหมวดหมู่ที่คำนวณเมตริก Crossentropy ระหว่างป้ายกำกับและการคาดคะเน | |
CategoricalCrossentropy (Ops tf, ชื่อสตริง, บูลีนจาก Logits, ป้ายกำกับโฟลตปรับให้เรียบ, แกน int, เมล็ดยาว, ประเภทคลาส <T>) สร้างเมตริก Crossentropy แบบหมวดหมู่ที่คำนวณเมตริก Crossentropy ระหว่างป้ายกำกับและการคาดคะเน |
วิธีการสาธารณะ
ตัวดำเนินการ <T> | โทร ( ตัวดำเนินการ <? ขยาย TNumber > ป้ายกำกับ, ตัวดำเนินการ <? ขยาย TNumber > การคาดการณ์) คำนวณการสูญเสียน้ำหนักระหว่าง labels และ predictions |
วิธีการสืบทอด
คอนสตรัคชั่นสาธารณะ
สาธารณะ CategoricalCrossentropy (Ops tf ชื่อสตริง บูลีนจาก Logits ป้ายกำกับโฟลตให้เรียบ เมล็ดยาว ชนิดคลาส <T>)
สร้างเมตริก Crossentropy แบบหมวดหมู่ที่คำนวณเมตริก Crossentropy ระหว่างป้ายกำกับและการคาดคะเน
ใช้ CHANNELS_LAST
สำหรับแกนช่อง
พารามิเตอร์
ไม่ | Ops ของ TensorFlow |
---|---|
ชื่อ | ชื่อของตัวชี้วัดนี้ หากเป็นค่าว่าง ชื่อตัวชี้วัดจะเป็น getSimpleName() |
จากLogits | ว่าจะตีความการคาดการณ์ว่าเป็นเมตริกซ์ของค่า logit หรือตรงข้ามกับการแจกแจงความน่าจะเป็นหรือไม่ |
ฉลากปรับให้เรียบ | ค่าที่ใช้ในการปรับฉลากให้เรียบ เมื่อ > 0 ค่าฉลากจะถูกปรับให้เรียบ หมายความว่าความมั่นใจในค่าฉลากจะผ่อนคลายลง เช่น labelSmoothing=0.2 หมายความว่าเราจะใช้ค่า 0.1 สำหรับป้ายกำกับ 0 และ 0.9 สำหรับป้ายกำกับ 1 |
เมล็ดพันธุ์ | เมล็ดพันธุ์สำหรับการสร้างตัวเลขสุ่ม เครื่องมือเริ่มต้นที่สร้างขึ้นด้วยเมล็ดที่กำหนดจะสร้างเทนเซอร์แบบสุ่มแบบเดียวกันเสมอสำหรับรูปร่างและประเภทข้อมูลที่กำหนด |
พิมพ์ | ประเภทของตัวแปรและผลลัพธ์ |
สาธารณะ CategoricalCrossentropy (Ops tf ชื่อสตริง บูลีนจาก Logits ป้ายกำกับโฟลตให้เรียบ แกน int เมล็ดยาว ประเภทคลาส <T>)
สร้างเมตริก Crossentropy แบบหมวดหมู่ที่คำนวณเมตริก Crossentropy ระหว่างป้ายกำกับและการคาดคะเน
พารามิเตอร์
ไม่ | Ops ของ TensorFlow |
---|---|
ชื่อ | ชื่อของตัวชี้วัดนี้ หากเป็นค่าว่าง ชื่อตัวชี้วัดจะเป็น getSimpleName() |
จากLogits | ว่าจะตีความการคาดการณ์เป็นเทนเซอร์ของค่า logit แทนการแจกแจงความน่าจะเป็นหรือไม่ |
ฉลากปรับให้เรียบ | ค่าที่ใช้ในการปรับฉลากให้เรียบ เมื่อ > 0 ค่าฉลากจะถูกปรับให้เรียบ หมายความว่าความมั่นใจในค่าฉลากจะผ่อนคลายลง เช่น labelSmoothing=0.2 หมายความว่าเราจะใช้ค่า 0.1 สำหรับป้ายกำกับ 0 และ 0.9 สำหรับป้ายกำกับ 1 |
แกน | Int ระบุแกนช่อง axis= สอดคล้องกับรูปแบบข้อมูล channels_last และ axis= สอดคล้องกับรูปแบบข้อมูล channels_first |
เมล็ดพันธุ์ | เมล็ดพันธุ์สำหรับการสร้างตัวเลขสุ่ม เครื่องมือเริ่มต้นที่สร้างขึ้นด้วยเมล็ดที่กำหนดจะสร้างเทนเซอร์แบบสุ่มแบบเดียวกันเสมอสำหรับรูปร่างและประเภทข้อมูลที่กำหนด |
พิมพ์ | ประเภทของตัวแปรและผลลัพธ์ |
วิธีการสาธารณะ
ตัวดำเนินการ สาธารณะ <T> โทร ( ตัวดำเนินการ <? ขยาย TNumber > ป้ายกำกับ, ตัวดำเนินการ <? ขยาย TNumber > การคาดการณ์)
คำนวณการสูญเสียน้ำหนักระหว่าง labels
และ predictions
พารามิเตอร์
ฉลาก | ค่าความจริงหรือป้ายกำกับ |
---|---|
การคาดการณ์ | การคาดการณ์ |
การส่งคืน
- การสูญเสีย