MeanMetricWrapper

MeanMetricWrapper kelas publik

Subkelas Langsung yang Diketahui BinaryCrossentropy <T extends TNumber >, CategoricalCrossentropy <T extends TNumber >, CategoricalHinge <T extends TNumber >, CosineSimilarity <T extends TNumber >, Engsel <T extends TNumber >, KLDivergence <T extends TNumber >, LogCoshError <T extends TNumber >, MeanAbsoluteError <T memperluas TNumber >, MeanAbsolutePercentageError <T memperluas TNumber >, MeanSquaredError <T memperluas TNumber >, MeanSquaredLogarithmicError <T memperluas TNumber >, Poisson <T memperluas TNumber >, SparseCategoricalCrossentropy <T memperluas TNumber >, SquaredHinge <T memperluas TNumber > BinaryCrossentropy <T memperluas TNumber > Metrik yang menghitung kerugian entropi silang biner antara label sebenarnya dan label prediksi. Crossentropy Kategoris <T extends TNumber > Metrik yang menghitung kerugian entropi silang kategoris antara label sebenarnya dan label prediksi. Engsel Kategoris <T memperluas Nomor T > Metrik yang menghitung metrik kerugian engsel kategoris antara label dan prediksi. CosineSimilarity <T extends TNumber > Metrik yang menghitung metrik kesamaan kosinus antara label dan prediksi. Engsel <T memanjang TNomor > Metrik yang menghitung metrik kerugian engsel antara label dan prediksi. KLDivergence <T memperluas TNumber > Metrik yang menghitung metrik kerugian divergensi Kullback-Leibler antara label dan prediksi. LogCoshError <T memperluas TNumber > Metrik yang menghitung logaritma kosinus hiperbolik metrik kesalahan prediksi antara label dan prediksi. MeanAbsoluteError <T memperluas TNumber > Metrik yang menghitung rata-rata perbedaan absolut antara label dan prediksi. MeanAbsolutePercentageError <T memperluas TNumber > Metrik yang menghitung rata-rata perbedaan absolut antara label dan prediksi. MeanSquaredError <T memperluas TNumber > Metrik yang menghitung rata-rata perbedaan absolut antara label dan prediksi. MeanSquaredLogarithmicError <T memperluas TNumber > Metrik yang menghitung rata-rata perbedaan absolut antara label dan prediksi. Poisson <T memperluas TNomber > Metrik yang menghitung metrik kehilangan racun antara label dan prediksi. SparseCategoricalCrossentropy <T extends TNumber > Metrik yang menghitung kerugian entropi silang kategoris yang jarang antara label sebenarnya dan label prediksi. SquaredHinge <T memperluas TNumber > Metrik yang menghitung metrik kerugian engsel kuadrat antara label dan prediksi.

Kelas yang menjembatani fungsi kerugian tanpa status dengan metrik Mean menggunakan pengurangan WEIGHTED_MEAN .

Fungsi kerugian menghitung kerugian antara labels dan predictions , lalu meneruskan kerugian ini ke metrik Mean untuk menghitung rata-rata tertimbang kerugian selama banyak iterasi atau masa

Konstanta yang Diwarisi

Dari kelas org.tensorflow.framework.metrics.impl.Reduce

Rangkaian	MENGHITUNG
Rangkaian	TOTAL

Metode Publik

Metrik Kerugian <T>	dapatkan Kerugian () Mendapatkan fungsi kerugian.
Daftar< Operasi >	updateStateList ( Operand <? extends TNumber > label, Operand <? extends TNumber > prediksi, Operand <? extends TNumber > sampleWeights) Membuat Operasi yang memperbarui status metrik rata-rata, dengan memanggil fungsi kerugian dan meneruskan kerugian ke metrik Mean untuk menghitung rata-rata tertimbang kerugian pada banyak iterasi.

Metode Warisan

Dari kelas org.tensorflow.framework.metrics.impl.Reduce

Variabel <T>	dapatkan Hitungan () Mendapatkan variabel hitungan
Kelas<T>	dapatkan HasilJenis () Mendapatkan tipe untuk variabel
Variabel <T>	dapatkanTotal () Mendapatkan variabel total
Op	resetStatus () Menyetel ulang variabel status apa pun ke nilai awalnya
Operan <T>	hasil () Mendapatkan hasil metrik saat ini
Daftar< Operasi >	updateStateList ( Operand <? extends TNumber > nilai, Operand <? extends TNumber > sampleWeights) Memperbarui variabel metrik berdasarkan masukan.

Dari kelas org.tensorflow.framework.metrics.Metric

Operan terakhir <T>	callOnce ( Operand <? extends TNumber > nilai, Operand <? extends TNumber > sampleWeights) Memanggil status pembaruan satu kali, diikuti dengan panggilan untuk mendapatkan hasilnya
Rangkaian	dapatkan Nama () Mendapatkan nama metrik ini.
panjang	dapatkan Benih () Mendapatkan nilai benih penghasil angka acak
Operasi	dapatkanTF () Mendapatkan Operasi TensorFlow
abstrak Op	resetStatus () Menyetel ulang variabel status apa pun ke nilai awalnya
Operan abstrak <T>	hasil () Mendapatkan hasil metrik saat ini
operasi terakhir	updateState ( Operand <? extends TNumber > label, Operand <? extends TNumber > prediksi, Operand <? extends TNumber > sampleWeights) Membuat Operasi NoOp dengan dependensi kontrol untuk memperbarui status metrik
operasi terakhir	updateState ( Operand <? extends TNumber > nilai, Operand <? extends TNumber > sampleWeights) Membuat Operasi NoOp dengan dependensi kontrol untuk memperbarui status metrik
Daftar< Operasi >	updateStateList ( Operand <? extends TNumber > label, Operand <? extends TNumber > prediksi, Operand <? extends TNumber > sampleWeights) Membuat Daftar Operasi untuk memperbarui status metrik berdasarkan label dan prediksi.
Daftar< Operasi >	updateStateList ( Operand <? extends TNumber > nilai, Operand <? extends TNumber > sampleWeights) Membuat Daftar Operasi untuk memperbarui status metrik berdasarkan nilai input.

Dari kelas java.lang.Object

boolean	sama dengan (Objek arg0)
Kelas terakhir<?>	dapatkan Kelas ()
ke dalam	Kode hash ()
kekosongan terakhir	memberitahu ()
kekosongan terakhir	beri tahuSemua ()
Rangkaian	keString ()
kekosongan terakhir	tunggu (arg0 panjang, int arg1)
kekosongan terakhir	tunggu (argumen panjang0)
kekosongan terakhir	Tunggu ()

Metode Publik

LossMetrik publik <T> getLoss ()

Mendapatkan fungsi kerugian.

Kembali

• fungsi kerugian.

Daftar publik< Op > updateStateList ( Operand <? extends TNumber > label, Operand <? extends TNumber > prediksi, Operand <? extends TNumber > sampleWeights)

Membuat Operasi yang memperbarui status metrik rata-rata, dengan memanggil fungsi kerugian dan meneruskan kerugian ke metrik Mean untuk menghitung rata-rata tertimbang kerugian pada banyak iterasi.

Parameter

label	nilai atau label kebenaran
prediksi	prediksi
sampelBerat	SampleWeights opsional bertindak sebagai koefisien kerugian. Jika skalar disediakan, maka kerugiannya hanya diskalakan dengan nilai yang diberikan. Jika sampleWeights adalah tensor dengan ukuran [batch_size], maka total kerugian untuk setiap sampel batch akan diubah skalanya dengan elemen yang sesuai dalam vektor sampleWeights. Jika bentuk sampleWeights adalah [batch_size, d0, .. dN-1] (atau dapat disiarkan ke bentuk ini), maka setiap elemen prediksi yang hilang akan diskalakan dengan nilai sampleWeights yang sesuai. (Catatan pada dN-1: semua fungsi kerugian berkurang 1 dimensi, biasanya sumbu=-1.)

Kembali

• Daftar operasi kontrol yang memperbarui variabel keadaan rata-rata.