SigmoidCrossEntropyWithLogits

כיתה ציבורית SigmoidCrossEntropyWithLogits

בונים ציבוריים

SigmoidCrossEntropyWithLogits ()

שיטות ציבוריות

סטטי <T מרחיב TNummer > Operand <T>

sigmoidCrossEntropyWithLogits ( scope scope, Operand <T> תוויות, Operand <T> logits) מחשב אנטרופיה צולבת סיגמואידית בהינתן logits .

שיטות בירושה

מכיתה java.lang.Object

בוליאני	שווה (Object arg0)
שיעור אחרון<?>	getClass ()
int	hashcode ()
ריק סופי	להודיע ​​()
ריק סופי	הודע הכל ()
חוּט	toString ()
ריק סופי	המתן (ארג0 ארוך, אינט arg1)
ריק סופי	חכה (ארג0 ארוך)
ריק סופי	חכה ()

בונים ציבוריים

ציבורי SigmoidCrossEntropyWithLogits ()

שיטות ציבוריות

Operand סטטי ציבורי <T> sigmoidCrossEntropyWithLogits ( scope scope, Operand <T> תוויות, Operand <T> logits)

מחשב אנטרופיה צולבת סיגמואידית בהינתן logits .

מודד את שגיאת ההסתברות במשימות סיווג דיסקרטיות שבהן כל מחלקה עצמאית ואינה סותרת זו את זו. לדוגמה, אפשר לבצע סיווג רב-תוויות שבו תמונה יכולה להכיל גם פיל וגם כלב בו-זמנית.

לקיצור, תן x = logits , z = labels . ההפסד הלוגיסטי בפסאודו-קוד הוא

 z * -log(sigmoid(x)) + (1 - z) * -log(1 - sigmoid(x))
  = z * -log(1 / (1 + exp(-x))) + (1 - z) * -log(exp(-x) / (1 + exp(-x)))
  = z * log(1 + exp(-x)) + (1 - z) * (-log(exp(-x)) + log(1 + exp(-x)))
  = z * log(1 + exp(-x)) + (1 - z) * (x + log(1 + exp(-x))
  = (1 - z) * x + log(1 + exp(-x))
  = x - x * z + log(1 + exp(-x))
 

עבור x < 0 , כדי למנוע הצפה ב- exp(-x) , אנו מנסחים מחדש את האמור לעיל

 x - x * z + log(1 + exp(-x))
  = log(exp(x)) - x * z + log(1 + exp(-x))
  = - x * z + log(1 + exp(x))
 

לפיכך, כדי להבטיח יציבות ולהימנע מהצפת, היישום משתמש בניסוח המקביל הזה

   max(x, 0) - x * z + log(1 + exp(-abs(x)))
 

לוגיטים labels חייבים להיות בעלי אותו סוג וצורה.

פרמטרים

תְחוּם	היקף TensorFlow
תוויות	התוויות
לוגיטים	הלוגיטים מסוג float32 או float64

מחזיר

• ההפסדים הלוגיסטיים מבחינת הרכיבים.

זורק

חריג טיעון לא חוקי	אם ללוגיטים ולתוויות אין אותה צורה