MeanMetricWrapper

کلاس عمومی MeanMetricWrapper

زیر کلاس های مستقیم شناخته شده binarycrossentropy <t tnumber > ، طبقه بندی crossentropy <t tnumber > ، cartoryhinge <t tnumber > ، cosinesimilarity <t tnumber > ، hinge <t tnumber > ، kldivergence <t tnumber > ، logcosherror <t tnexherrors tnumberorer را گسترش می دهد. <T گسترش TNumber >، MeanAbsolutePercentageError <T گسترش TNumber >، MeanSquaredError <T گسترش TNumber >، MeanSquaredLogarithmicError <T گسترش TNumber >، Poisson <T گسترش TNumber > ، SparseCategorical > TNumberTextingNumber < Textinge BinaryCrossentropy <T TNumber > را گسترش می دهد یک متریک که افت آنتروپی متقاطع باینری را بین برچسب های واقعی و برچسب های پیش بینی شده محاسبه می کند. CategoryCrossentropy <T تعداد TNumber را گسترش می دهد متریکی که افت آنتروپی متقاطع بین برچسب های واقعی و برچسب های پیش بینی شده را محاسبه می کند. CategoryHinge <T تعداد TNumber را گسترش می دهد متریکی که متریک از دست دادن لولا را بین برچسب ها و پیش بینی ها محاسبه می کند. CosineSimilarity <T TNumber > را گسترش می دهد معیاری که متریک شباهت کسینوس بین برچسب ها و پیش بینی ها را محاسبه می کند. لولا <T TNumber > را گسترش می دهد معیاری که معیار تلفات لولا را بین برچسب ها و پیش بینی ها محاسبه می کند. KLDvergence <T تعداد TNumber را گسترش می دهد معیاری که معیار تلفات واگرایی Kullback-Leibler را بین برچسب ها و پیش بینی ها محاسبه می کند. LogCoshError <T TNumber را گسترش می دهد > متریکی که لگاریتم کسینوس هذلولی متریک خطای پیش‌بینی را بین برچسب‌ها و پیش‌بینی‌ها محاسبه می‌کند. MeanAbsoluteError <T TNumber را گسترش می دهد > معیاری که میانگین تفاوت مطلق بین برچسب ها و پیش بینی ها را محاسبه می کند. MeanAbsolutePercentageError <T TNumber را گسترش می دهد معیاری که میانگین تفاوت مطلق بین برچسب ها و پیش بینی ها را محاسبه می کند. MeanSquaredError <T TNumber را گسترش می دهد > معیاری که میانگین تفاوت مطلق بین برچسب ها و پیش بینی ها را محاسبه می کند. MeanSquaredLogarithmicError <T TNumber را گسترش می دهد معیاری که میانگین تفاوت مطلق بین برچسب ها و پیش بینی ها را محاسبه می کند. پواسون < TNumber > را گسترش می دهد معیاری که متریک تلفات پواسون را بین برچسب ها و پیش بینی ها محاسبه می کند. SparseCategoricalCrossentropy <T تعداد TNumber را گسترش می دهد معیاری که افت آنتروپی متقاطع طبقه‌ای پراکنده بین برچسب‌های واقعی و برچسب‌های پیش‌بینی‌شده را محاسبه می‌کند. SquaredHinge <T تعداد TNumber را گسترش می دهد معیاری که متریک تلفات لولای مجذور بین برچسب ها و پیش بینی ها را محاسبه می کند.

کلاسی که با استفاده از کاهش WEIGHTED_MEAN یک تابع ضرر بدون حالت را با متریک Mean پیوند می‌دهد.

تابع ضرر تلفات بین labels و predictions را محاسبه می‌کند و سپس این تلفات را به متریک Mean منتقل می‌کند تا میانگین وزنی ضرر را در بسیاری از تکرارها یا دوره‌ها محاسبه کند.

ثابت های ارثی

از کلاس org.tensorflow.framework.metrics.impl.Reduce

رشته	شمردن
رشته	جمع

روش های عمومی

LossMetric <T>	getLoss () تابع ضرر را دریافت می کند.
فهرست < عملیات >	updateStateList ( Operand <? گسترش TNumber > برچسب ها، Operand <? گسترش TNumber > پیش بینی ها، Operand <? گسترش TNumber > sampleWeights) عملیاتی را ایجاد می کند که وضعیت میانگین متریک را با فراخوانی تابع ضرر و ارسال ضرر به متریک میانگین برای محاسبه میانگین وزنی از دست دادن طی چندین تکرار ایجاد می کند.

روش های ارثی

از کلاس org.tensorflow.framework.metrics.impl.Reduce

متغیر <T>	getCount () متغیر count را دریافت می کند
کلاس<T>	getResultType () نوع متغیرها را دریافت می کند
متغیر <T>	getTotal () متغیر کل را بدست می آورد
Op	resetStates () هر متغیر حالت را به مقادیر اولیه خود بازنشانی می کند
عملوند <T>	نتیجه () نتیجه فعلی متریک را دریافت می کند
فهرست < عملیات >	updateStateList ( Operand <? TNumber > مقادیر را گسترش می دهد، Operand <? TNumber را گسترش می دهد > sampleWeights) متغیرهای متریک را بر اساس ورودی ها به روز می کند.

از کلاس org.tensorflow.framework.metrics.Metric

عملوند نهایی <T>	callOnce ( Operand <? TNumber > مقادیر را گسترش می دهد، Operand <? TNumber را گسترش می دهد > sampleWeights) تماس ها یک بار به روز می شوند و پس از آن یک تماس برای دریافت نتیجه
رشته	getName () نام این معیار را دریافت می کند.
طولانی	getSeed () مقدار بذر تولید کننده اعداد تصادفی را دریافت می کند
عملیات	getTF () TensorFlow Ops را دریافت می کند
Abstract Op	resetStates () هر متغیر حالت را به مقادیر اولیه خود بازنشانی می کند
عملوند انتزاعی <T>	نتیجه () نتیجه فعلی متریک را دریافت می کند
عملیات نهایی	updateState ( Operand <? گسترش TNumber > برچسب ها، Operand <? گسترش TNumber > پیش بینی ها، Operand <? گسترش TNumber > نمونه وزن ها) یک عملیات NoOp با وابستگی های کنترلی برای به روز رسانی حالت متریک ایجاد می کند
عملیات نهایی	updateState ( Operand <? TNumber > مقادیر را گسترش می دهد، Operand <? TNumber را گسترش می دهد > sampleWeights) یک عملیات NoOp با وابستگی های کنترلی برای به روز رسانی حالت متریک ایجاد می کند
فهرست < عملیات >	updateStateList ( Operand <? گسترش TNumber > برچسب ها، Operand <? گسترش TNumber > پیش بینی ها، Operand <? گسترش TNumber > sampleWeights) فهرستی از عملیات ایجاد می کند تا وضعیت متریک را بر اساس برچسب ها و پیش بینی ها به روز کند.
فهرست < عملیات >	updateStateList ( Operand <? TNumber > مقادیر را گسترش می دهد، Operand <? TNumber را گسترش می دهد > sampleWeights) فهرستی از عملیات برای به روز رسانی حالت متریک بر اساس مقادیر ورودی ایجاد می کند.

از کلاس java.lang.Object

بولی	برابر است (شیء arg0)
کلاس نهایی<?>	getClass ()
بین المللی	هش کد ()
باطل نهایی	اعلام کردن ()
باطل نهایی	اطلاع رسانی به همه ()
رشته	toString ()
باطل نهایی	صبر کنید (long arg0، int arg1)
باطل نهایی	صبر کنید (طولانی arg0)
باطل نهایی	صبر کن ()

روش های عمومی

عمومی LossMetric <T> getLoss ()

تابع ضرر را دریافت می کند.

برمی گرداند

• تابع ضرر

فهرست عمومی< Op > updateStateList ( Operand <? گسترش TNumber > برچسب ها، Operand <? گسترش TNumber > پیش بینی ها، Operand <? گسترش TNumber > نمونه Weights)

عملیاتی را ایجاد می کند که وضعیت میانگین متریک را با فراخوانی تابع ضرر و ارسال ضرر به متریک میانگین برای محاسبه میانگین وزنی از دست دادن طی چندین تکرار ایجاد می کند.

مولفه های

برچسب ها	ارزش ها یا برچسب های حقیقت
پیش بینی ها	پیش بینی ها
وزن نمونه	نمونه اختیاری Weights به عنوان ضریب ضرر عمل می کند. اگر یک اسکالر ارائه شود، ضرر به سادگی با مقدار داده شده مقیاس می شود. اگر sampleWeights یک تانسور اندازه [batch_size] باشد، آنگاه اتلاف کل برای هر نمونه از دسته توسط عنصر مربوطه در بردار sampleWeights دوباره مقیاس می‌شود. اگر شکل نمونه‌ها [بچ_اندازه، d0، .. dN-1] باشد (یا می‌توان به این شکل پخش کرد)، آن‌گاه هر عنصر از دست دادن پیش‌بینی‌ها با مقدار مربوط به نمونه‌وزن‌ها مقیاس‌بندی می‌شود. (توجه به dN-1: تمام توابع تلفات 1 بعد کاهش می یابد، معمولاً محور =-1.)

برمی گرداند

• فهرستی از عملیات کنترلی که متغیرهای حالت میانگین را به روز می کند.