כיתה ציבורית MeanMetricWrapper
תת-מחלקות ישירות ידועות Binarycrossentropy <t מרחיב את Tnumber >, קטגוריות Crossentropy <t מרחיב את Tnumber >, קטגוריות <t מרחיב את Tnumber >, cosinesimilarity <t מרחיב את Tnumber >, ציר <T מרחיב את Tnumber >, kldiverging <t מרחיב את Tnumber > , Logcosherror <t fors uploutor tniveroute < t mounturor orture <T מרחיב את Tnumber >, MeanAbsolutePercentageError <T מרחיב את Tnumber >, MeanSquaredError <T מרחיב את Tnumber >, MeanSquaredLogarithmicError <T מרחיב את Tnumber >, Poisson <T מרחיב את Tnumber >, SparseCategoricalCrossentropy > מרחיב TNumber TNumberd , <Squared> |
מחלקה המגשרת בין פונקציית אובדן חסרת מצב עם המדד Mean
באמצעות הפחתה של WEIGHTED_MEAN
.
פונקציית ההפסד מחשבת את ההפסד בין labels
predictions
ואז מעבירה את ההפסד הזה למדד Mean
כדי לחשב את הממוצע המשוקלל של ההפסד על פני איטרציות או תקופות רבות
קבועים בירושה
שיטות ציבוריות
LossMetric <T> | getLoss () מקבל את פונקציית ההפסד. |
רשימה< Op > |
שיטות בירושה
שיטות ציבוריות
רשימה ציבורית< Op > updateStateList ( Operand <? מרחיב TNumber > תוויות, Operand <? מרחיב את תחזיות TNumber >, Operand <? מרחיב TNumber > משקולות לדוגמה)
יוצר פעולות המעדכנות את מצב המדד הממוצע, על ידי קריאה לפונקציית ההפסד והעברת ההפסד למדד הממוצע כדי לחשב את הממוצע המשוקלל של ההפסד על פני חזרות רבות.
פרמטרים
תוויות | ערכי האמת או התוויות |
---|---|
תחזיות | את התחזיות |
משקולות לדוגמה | SampleWeights אופציונליים פועלים כמקדם לאובדן. אם מסופק סקלר, אז ההפסד פשוט מוגדל לפי הערך הנתון. אם sampleWeights הוא טנסור בגודל [batch_size], אז ההפסד הכולל עבור כל דגימה של האצווה משתנה מחדש על ידי האלמנט המתאים בוקטור sampleWeights. אם הצורה של sampleWeights היא [batch_size, d0, ..dN-1] (או שניתן לשדר אותה לצורה זו), אז כל רכיב אובדן של חיזויים משתנה לפי הערך המתאים של sampleWeights. (הערה לגבי dN-1: כל פונקציות האובדן מצטמצמות בממד אחד, בדרך כלל ציר=-1.) |
החזרות
- רשימה של פעולות בקרה שמעדכנת את משתני המצב הממוצע.