คลาสย่อยโดยตรงที่รู้จัก BinaryCrossentropy <T ขยาย TNumber >, CategoricalCrossentropy <T ขยาย TNumber >, CategoricalHinge <T ขยาย TNumber >, CosineSimilarity <T ขยาย TNumber >, บานพับ <T ขยาย TNumber >, KLDivergence <T ขยาย TNumber >, LogCoshError <T ขยาย TNumber >, MeanAbsoluteError <T ขยาย TNumber >, MeanAbsolutePercentageError <T ขยาย TNumber >, MeanSquaredError <T ขยาย TNumber >, MeanSquaredLogarithmicError <T ขยาย TNumber >, ปัวซอง <T ขยาย TNumber >, SparseCategoricalCrossentropy <T ขยาย TNumber >, SquaredHinge <T ขยาย TNumber > |
คลาสที่เชื่อมโยงฟังก์ชันการสูญเสียไร้สถานะกับเมตริก Mean
โดยใช้การลด WEIGHTED_MEAN
ฟังก์ชันการสูญเสียจะคำนวณการสูญเสียระหว่าง labels
และ predictions
จากนั้นส่งการสูญเสียนี้ไปยังเมตริก Mean
เพื่อคำนวณค่าเฉลี่ยถ่วงน้ำหนักของการสูญเสียในการวนซ้ำหรือยุคต่างๆ
ค่าคงที่ที่สืบทอดมา
วิธีการสาธารณะ
ลอสเมตริก <T> | รับการสูญเสีย () รับฟังก์ชันการสูญเสีย |
รายการ< ปฏิบัติการ > | updateStateList ( ตัวดำเนินการ <? ขยาย TNumber > ป้ายกำกับ, ตัวดำเนินการ <? ขยาย TNumber > การคาดคะเน, ตัวดำเนินการ <? ขยาย TNumber > ตัวอย่างน้ำหนัก) สร้างการดำเนินการที่อัปเดตสถานะของหน่วยเมตริกเฉลี่ย โดยการเรียกใช้ฟังก์ชันการสูญเสียและส่งการสูญเสียไปยังหน่วยเมตริกเฉลี่ย เพื่อคำนวณค่าเฉลี่ยถ่วงน้ำหนักของการสูญเสียในการวนซ้ำหลายครั้ง |
วิธีการสืบทอด
วิธีการสาธารณะ
รายการสาธารณะ< Op > updateStateList ( ตัวดำเนินการ <? ขยาย TNumber > ป้ายกำกับ, ตัวดำเนินการ <? ขยาย TNumber > การคาดการณ์, ตัวดำเนินการ <? ขยาย TNumber > ตัวอย่างน้ำหนัก)
สร้างการดำเนินการที่อัปเดตสถานะของหน่วยเมตริกเฉลี่ย โดยการเรียกใช้ฟังก์ชันการสูญเสียและส่งการสูญเสียไปยังหน่วยเมตริกเฉลี่ย เพื่อคำนวณค่าเฉลี่ยถ่วงน้ำหนักของการสูญเสียในการวนซ้ำหลายครั้ง
พารามิเตอร์
ฉลาก | ค่าความจริงหรือป้ายกำกับ |
---|---|
การคาดการณ์ | การคาดการณ์ |
ตัวอย่างน้ำหนัก | SampleWeights ที่เป็นตัวเลือกจะทำหน้าที่เป็นสัมประสิทธิ์การสูญเสีย หากมีการระบุสเกลาร์ การสูญเสียก็จะถูกปรับขนาดตามค่าที่กำหนด หาก SampleWeights เป็นเทนเซอร์ที่มีขนาด [batch_size] ค่าที่สูญเสียทั้งหมดสำหรับตัวอย่างแต่ละตัวอย่างในแบตช์จะถูกปรับขนาดใหม่โดยองค์ประกอบที่เกี่ยวข้องในเวกเตอร์ SampleWeights หากรูปร่างของ SampleWeights คือ [batch_size, d0, .. dN-1] (หรือสามารถถ่ายทอดไปยังรูปร่างนี้ได้) ดังนั้น องค์ประกอบที่สูญเสียแต่ละรายการของการคาดการณ์จะถูกปรับขนาดตามค่าที่สอดคล้องกันของ exampleWeights (หมายเหตุสำหรับ dN-1: ฟังก์ชันการสูญเสียทั้งหมดลดลง 1 มิติ โดยปกติจะเป็นแกน=-1) |
การส่งคืน
- รายการการดำเนินการควบคุมที่อัพเดตตัวแปรสถานะ Mean