MeanMetricWrapper

clase pública MeanMetricWrapper

Subclases directas conocidas BinaryCrossentropy <T extiende TNumber >, CategoricalCrossentropy <T extiende TNumber >, CategoricalHinge <T extiende TNumber >, CosineSimilarity <T extiende TNumber >, Hinge <T extiende TNumber >, KLDivergence <T extiende TNumber >, LogCoshError <T extiende TNumber >, r <T extiende TNumber >, MeanAbsolutePercentageError <T extiende TNumber >, MeanSquaredError <T extiende TNumber >, MeanSquaredLogarithmicError <T extiende TNumber >, Poisson <T extiende TNumber >, SparseCategoricalCrossentropy <T extiende TNumber >, SquaredHinge <T extiende TNumber >, SquaredHinge < BinaryCrossentropy <T extiende TNumber > Métrica que calcula la pérdida de entropía cruzada binaria entre etiquetas verdaderas y etiquetas predichas. CategoricalCrossentropy <T extiende TNumber > Métrica que calcula la pérdida de entropía cruzada categórica entre etiquetas verdaderas y etiquetas predichas. CategoricalHinge <T se extiende a TNumber > Métrica que calcula la métrica de pérdida de bisagra categórica entre etiquetas y predicciones. CosineSimilarity <T extiende TNumber > Métrica que calcula la métrica de similitud de coseno entre etiquetas y predicciones. Bisagra <T extiende TNumber > Métrica que calcula la métrica de pérdida de bisagra entre etiquetas y predicciones. KLDivergencia <T extiende TNumber > Métrica que calcula la métrica de pérdida por divergencia de Kullback-Leibler entre etiquetas y predicciones. LogCoshError <T extiende TNumber > Métrica que calcula el logaritmo del coseno hiperbólico de la métrica del error de predicción entre etiquetas y predicciones. MeanAbsoluteError <T se extiende a TNumber > Métrica que calcula la media de la diferencia absoluta entre etiquetas y predicciones. MeanAbsolutePercentageError <T se extiende a TNumber > Métrica que calcula la media de la diferencia absoluta entre etiquetas y predicciones. MeanSquaredError <T se extiende a TNumber > Métrica que calcula la media de la diferencia absoluta entre etiquetas y predicciones. MeanSquaredLogarithmicError <T se extiende a TNumber > Métrica que calcula la media de la diferencia absoluta entre etiquetas y predicciones. Poisson <T extiende TNumber > Métrica que calcula la métrica de pérdida de Poisson entre etiquetas y predicciones. SparseCategoricalCrossentropy <T extiende TNumber > Una métrica que calcula la pérdida de entropía cruzada categórica dispersa entre etiquetas verdaderas y etiquetas predichas. SquaredHinge <T extiende TNumber > Métrica que calcula la métrica de pérdida de bisagra al cuadrado entre etiquetas y predicciones.

Una clase que une una función de pérdida sin estado con la métrica Mean mediante una reducción de WEIGHTED_MEAN .

La función de pérdida calcula la pérdida entre las labels y las predictions y luego pasa esta pérdida a la métrica Mean para calcular la media ponderada de la pérdida durante muchas iteraciones o épocas.

Constantes heredadas

De la clase org.tensorflow.framework.metrics.impl.Reduce

Cuerda	CONTAR
Cuerda	TOTAL

Métodos públicos

LossMetric <T>	getLoss () Obtiene la función de pérdida.
Lista < Op >	updateStateList ( operando <? extiende TNumber > etiquetas, operando <? extiende TNumber > predicciones, operando <? extiende TNumber > sampleWeights) Crea operaciones que actualizan el estado de la métrica media, llamando a la función de pérdida y pasando la pérdida a la métrica Media para calcular la media ponderada de la pérdida en muchas iteraciones.

Métodos heredados

De la clase org.tensorflow.framework.metrics.impl.Reduce

Variable <T>	getCount () Obtiene la variable de recuento
Clase <T>	getResultType () Obtiene el tipo de las variables
Variable <T>	getTotal () Obtiene la variable total
Op	resetStates () Restablece las variables de estado a sus valores iniciales.
Operando <T>	resultado () Obtiene el resultado actual de la métrica
Lista < Op >	updateStateList ( operando <? extiende TNumber > valores, operando <? extiende TNumber > sampleWeights) Actualiza las variables métricas en función de las entradas.

De la clase org.tensorflow.framework.metrics.Metric

operando final <T>	callOnce ( operando <? extiende TNumber > valores, operando <? extiende TNumber > sampleWeights) Llama al estado de actualización una vez, seguido de una llamada para obtener el resultado
Cuerda	getName () Obtiene el nombre de esta métrica.
largo	getSeed () Obtiene el valor inicial del generador de números aleatorios
Ops	getTF () Obtiene las operaciones de TensorFlow
Op abstracto	resetStates () Restablece las variables de estado a sus valores iniciales.
operando abstracto <T>	resultado () Obtiene el resultado actual de la métrica
Op final	updateState ( operando <? extiende TNumber > etiquetas, operando <? extiende TNumber > predicciones, operando <? extiende TNumber > sampleWeights) Crea una operación NoOp con dependencias de control para actualizar el estado de la métrica
Op final	updateState ( operando <? extiende TNumber > valores, operando <? extiende TNumber > sampleWeights) Crea una operación NoOp con dependencias de control para actualizar el estado de la métrica
Lista < Op >	updateStateList ( operando <? extiende TNumber > etiquetas, operando <? extiende TNumber > predicciones, operando <? extiende TNumber > sampleWeights) Crea una lista de operaciones para actualizar el estado de la métrica según las etiquetas y las predicciones.
Lista < Op >	updateStateList ( operando <? extiende TNumber > valores, operando <? extiende TNumber > sampleWeights) Crea una lista de operaciones para actualizar el estado de la métrica en función de los valores de entrada.

De la clase java.lang.Object

booleano	es igual a (Objeto arg0)
Clase final <?>	getClass ()
En t	hashCode ()
vacío final	notificar ()
vacío final	notificar a todos ()
Cuerda	toString ()
vacío final	esperar (largo arg0, int arg1)
vacío final	espera (largo arg0)
vacío final	esperar ()

Métodos públicos

public LossMetric <T> getLoss ()

Obtiene la función de pérdida.

Devoluciones

• la función de pérdida.

Public List < Op > updateStateList ( operando <? extiende TNumber > etiquetas, operando <? extiende TNumber > predicciones, operando <? extiende TNumber > sampleWeights)

Crea operaciones que actualizan el estado de la métrica media, llamando a la función de pérdida y pasando la pérdida a la métrica Media para calcular la media ponderada de la pérdida en muchas iteraciones.

Parámetros

etiquetas	los valores de verdad o etiquetas
predicciones	las predicciones
sampleWeights	SampleWeights opcional actúa como un coeficiente para la pérdida. Si se proporciona un escalar, entonces la pérdida simplemente se escala por el valor dado. Si sampleWeights es un tensor de tamaño [batch_size], entonces la pérdida total para cada muestra del lote se reescala por el elemento correspondiente en el vector sampleWeights. Si la forma de sampleWeights es [batch_size, d0, .. dN-1] (o puede transmitirse con esta forma), entonces cada elemento de pérdida de las predicciones se escala por el valor correspondiente de sampleWeights. (Nota sobre dN-1: todas las funciones de pérdida se reducen en 1 dimensión, generalmente eje = -1).

Devoluciones

• a Lista de operaciones de control que actualiza las variables de estado Media.