מחשב את אובדן ה-crossentropy בין התוויות והתחזיות.
השתמש בפונקציית אובדן קרוסנטרופיה זו כאשר יש שתי מחלקות תוויות או יותר. אנו מצפים שתוויות יסופקו בייצוג one_hot. אם ברצונך לספק תוויות כמספרים שלמים, אנא השתמש ב- SparseCategoricalCrossentropy
loss. צריכים להיות # classes
ערכי נקודה צפה לכל תכונה.
שימוש עצמאי:
Operand<TFloat32> labels = tf.constant(new float[][] { {0, 1, 0}, {0, 0, 1} }); Operand<TFloat32> predictions = tf.constant(new float[][] { {0.05f, 0.95f, 0f}, {0.1f, 0.8f, 0.1f} }); CategoricalCrossentropy cce = new CategoricalCrossentropy(tf); Operand<TFloat32> result = cce.call(labels, predictions); // produces 1.177
מתקשר עם משקל מדגם:
Operand<TFloat32> sampleWeight = tf.constant(new float[] {0.3f, 0.7f}); Operand<TFloat32> result = cce.call(labels, predictions, sampleWeight); // produces 0.814f
שימוש בסוג הפחתת SUM
:
CategoricalCrossentropy cce = new CategoricalCrossentropy(tf, Reduction.SUM); Operand<TFloat32> result = cce.call(labels, predictions); // produces 2.354f
שימוש בסוג הפחתה NONE
:
CategoricalCrossentropy cce = new CategoricalCrossentropy(tf, Reduction.NONE); Operand<TFloat32> result = cce.call(labels, predictions); // produces [0.0513f, 2.303f]
קבועים
int | DEFAULT_AXIS | |
בוליאני | FROM_LOGITS_DEFAULT | |
לָצוּף | LABEL_SMOOTHING_DEFAULT |
שדות בירושה
בונים ציבוריים
CategoricalCrossentropy (Ops tf) יוצר הפסד אנטרופיה צולבת קטגורית באמצעות getSimpleName() כשם ההפסד, FROM_LOGITS_DEFAULT עבור fromLogits, LABEL_SMOOTHING_DEFAULT עבור labelSmoothing, הפחתת הפסד של REDUCTION_DEFAULT וציר של DEFAULT_AXIS | |
CategoricalCrossentropy (Ops tf, שם מחרוזת) יוצר הפסד אנטרופיה צולבת קטגורי באמצעות FROM_LOGITS_DEFAULT עבור fromLogits, LABEL_SMOOTHING_DEFAULT עבור labelSmoothing, הפחתת הפסד של REDUCTION_DEFAULT וציר של DEFAULT_AXIS | |
CategoricalCrossentropy (Ops tf, הפחתת הפחתה ) יוצר הפסד אנטרופיה צולבת קטגורית באמצעות getSimpleName() כשם ההפסד, FROM_LOGITS_DEFAULT עבור fromLogits, LABEL_SMOOTHING_DEFAULT עבור labelSmoothing וציר של DEFAULT_AXIS | |
CategoricalCrossentropy (Ops tf, שם מחרוזת, הפחתת הפחתה ) יוצר הפסד אנטרופיה צולבת קטגורית FROM_LOGITS_DEFAULT עבור fromLogits, LABEL_SMOOTHING_DEFAULT עבור labelSmoothing וציר של DEFAULT_AXIS | |
CategoricalCrossentropy (Ops tf, בוליאני מLogits) יוצר הפסד אנטרופיה צולבת קטגורית באמצעות getSimpleName() כשם ההפסד, LABEL_SMOOTHING_DEFAULT עבור labelSmoothing, הפחתת הפסד של REDUCTION_DEFAULT וציר של DEFAULT_AXIS | |
CategoricalCrossentropy (Ops tf, שם מחרוזת, בוליאני מLogits) יוצר הפסד אנטרופיה צולב קטגורי באמצעות LABEL_SMOOTHING_DEFAULT עבור labelSmoothing, הפחתת הפסד של REDUCTION_DEFAULT וציר ערוץ של DEFAULT_AXIS | |
CategoricalCrossentropy (Ops tf, Boolean fromLogits, Float labelSmoothing) יוצר הפסד אנטרופיה צולבת קטגורי באמצעות getSimpleName() כשם ההפסד, הורדת הפסד של REDUCTION_DEFAULT וציר ערוץ של DEFAULT_AXIS | |
CategoricalCrossentropy (Ops tf, שם מחרוזת, בוליאני מLogits, תווית ציפהSmoothing) יוצר הפסד אנטרופי צולב קטגורי באמצעות הפחתת הפסד של REDUCTION_DEFAULT וציר ערוץ של DEFAULT_AXIS | |
CategoricalCrossentropy (Ops tf, Boolean fromLogits, Float LabelSmoothing, Reduction reduce) יוצר הפסד אנטרופי צולב קטגורי באמצעות getSimpleName() כשם ההפסד וציר ערוץ של DEFAULT_AXIS | |
CategoricalCrossentropy (Ops tf, שם מחרוזת, בוליאני מ-Logits, תווית ציפה Smoothing, הפחתת הפחתה , ציר int) יוצר הפסד אנטרופיה צולבת קטגורית |
שיטות ציבוריות
<T מרחיב את TNummer > Operand <T> |
שיטות בירושה
קבועים
סופי סטטי ציבורי DEFAULT_AXIS
בוליאן סופי סטטי ציבורי FROM_LOGITS_DEFAULT
ציפה סופית סטטית ציבורית LABEL_SMOOTHING_DEFAULT
בונים ציבוריים
ציבורי CategoricalCrossentropy (Ops tf)
יוצר הפסד אנטרופיה צולבת קטגורית באמצעות getSimpleName()
כשם ההפסד, FROM_LOGITS_DEFAULT
עבור fromLogits, LABEL_SMOOTHING_DEFAULT
עבור labelSmoothing, הפחתת הפסד של REDUCTION_DEFAULT
וציר של DEFAULT_AXIS
פרמטרים
tf | ה- TensorFlow Ops |
---|
public CategoricalCrossentropy (Ops tf, שם מחרוזת)
יוצר הפסד אנטרופיה צולבת קטגורי באמצעות FROM_LOGITS_DEFAULT
עבור fromLogits, LABEL_SMOOTHING_DEFAULT
עבור labelSmoothing, הפחתת הפסד של REDUCTION_DEFAULT
וציר של DEFAULT_AXIS
פרמטרים
tf | ה- TensorFlow Ops |
---|---|
שֵׁם | שם האובדן הזה |
ציבורי CategoricalCrossentropy (Ops tf, הפחתת הפחתה )
יוצר הפסד אנטרופיה צולבת קטגורית באמצעות getSimpleName()
כשם ההפסד, FROM_LOGITS_DEFAULT
עבור fromLogits, LABEL_SMOOTHING_DEFAULT
עבור labelSmoothing וציר של DEFAULT_AXIS
פרמטרים
tf | ה- TensorFlow Ops |
---|---|
צִמצוּם | סוג ההפחתה להחלה על אובדן. |
public CategoricalCrossentropy (Ops tf, שם מחרוזת, הפחתת הפחתה)
יוצר הפסד אנטרופיה צולבת קטגורית FROM_LOGITS_DEFAULT
עבור fromLogits, LABEL_SMOOTHING_DEFAULT
עבור labelSmoothing וציר של DEFAULT_AXIS
פרמטרים
tf | ה- TensorFlow Ops |
---|---|
שֵׁם | שם האובדן הזה |
צִמצוּם | סוג ההפחתה להחלה על אובדן. |
ציבורי CategoricalCrossentropy (Ops tf, בוליאני מLogits)
יוצר הפסד אנטרופיה צולבת קטגורית באמצעות getSimpleName()
כשם ההפסד, LABEL_SMOOTHING_DEFAULT
עבור labelSmoothing, הפחתת הפסד של REDUCTION_DEFAULT
וציר של DEFAULT_AXIS
פרמטרים
tf | ה- TensorFlow Ops |
---|---|
מLogits | האם לפרש תחזיות כטנזור של ערכי לוגיט |
public CategoricalCrossentropy (Ops tf, שם מחרוזת, בוליאני מLogits)
יוצר הפסד אנטרופיה צולב קטגורי באמצעות LABEL_SMOOTHING_DEFAULT
עבור labelSmoothing, הפחתת הפסד של REDUCTION_DEFAULT
וציר ערוץ של DEFAULT_AXIS
פרמטרים
tf | ה- TensorFlow Ops |
---|---|
שֵׁם | שם האובדן הזה |
מLogits | האם לפרש תחזיות כטנזור של ערכי לוגיט |
ציבורי CategoricalCrossentropy (Ops tf, בוליאן מLogits, תווית ציפהSmoothing)
יוצר הפסד אנטרופיה צולבת קטגורי באמצעות getSimpleName()
כשם ההפסד, הורדת הפסד של REDUCTION_DEFAULT
וציר ערוץ של DEFAULT_AXIS
פרמטרים
tf | ה- TensorFlow Ops |
---|---|
מLogits | האם לפרש תחזיות כטנזור של ערכי לוגיט |
תווית החלקה | צף פנימה [0, 1] . כאשר > 0 , ערכי התווית מוחלקים, כלומר, האמון על ערכי התווית נרגע. למשל labelSmoothing=0.2 אומר שנשתמש בערך של 0.1 עבור תווית 0 ו 0.9 עבור תווית 1 |
public CategoricalCrossentropy (Ops tf, שם מחרוזת, בוליאני מLogits, תווית ציפהSmoothing)
יוצר הפסד אנטרופי צולב קטגורי באמצעות הפחתת הפסד של REDUCTION_DEFAULT
וציר ערוץ של DEFAULT_AXIS
פרמטרים
tf | ה- TensorFlow Ops |
---|---|
שֵׁם | שם האובדן הזה |
מLogits | האם לפרש תחזיות כטנזור של ערכי לוגיט |
תווית החלקה | צף פנימה [0, 1] . כאשר > 0 , ערכי התווית מוחלקים, כלומר, האמון על ערכי התווית נרגע. למשל labelSmoothing=0.2 אומר שנשתמש בערך של 0.1 עבור תווית 0 ו 0.9 עבור תווית 1 |
Public CategoricalCrossentropy (Ops tf, Boolean fromLogits, Float LabelSmoothing, Reduction reduce)
יוצר הפסד אנטרופי צולב קטגורי באמצעות getSimpleName()
כשם ההפסד וציר ערוץ של DEFAULT_AXIS
פרמטרים
tf | ה- TensorFlow Ops |
---|---|
מLogits | האם לפרש תחזיות כטנזור של ערכי לוגיט |
תווית החלקה | צף פנימה [0, 1] . כאשר > 0 , ערכי התווית מוחלקים, כלומר האמון על ערכי התווית נרגע. למשל x=0.2 אומר שנשתמש בערך של 0.1 עבור תווית 0 ו 0.9 עבור תווית 1 |
צִמצוּם | סוג ההפחתה להחלה על אובדן. |
public CategoricalCrossentropy (Ops tf, שם מחרוזת, בוליאני מLogits, תווית ציפהSmoothing, הפחתת הפחתה , ציר int)
יוצר הפסד אנטרופיה צולבת קטגורית
פרמטרים
tf | ה- TensorFlow Ops |
---|---|
שֵׁם | שם האובדן הזה |
מLogits | האם לפרש תחזיות כטנזור של ערכי לוגיט |
תווית החלקה | צף פנימה [0, 1] . כאשר > 0 , ערכי התווית מוחלקים, כלומר, האמון על ערכי התווית נרגע. למשל labelSmoothing=0.2 אומר שנשתמש בערך של 0.1 עבור תווית 0 ו 0.9 עבור תווית 1 |
צִמצוּם | סוג ההפחתה להחלה על אובדן. |
צִיר | ציר הערוצים. axis=-1 מתאים לפורמט הנתונים "ערוצים אחרונים" וציר axis=1 מתאים לפורמט הנתונים "ערוצים תחילה". CHANNELS_LAST ו- CHANNELS_FIRST |
זורק
חריג טיעון לא חוקי | אם labelSmoothing אינו בטווח הכולל של 0. - 1. |
---|
שיטות ציבוריות
קריאת Operand <T> ציבורית ( Operand <? מרחיב את התוויות של TNumber >, תחזיות Operand <T>, Oprand <T> דוגמת משקלים)
יוצר אופרנד שמחשב את ההפסד.
אם ההפעלה במצב גרף, החישוב יזרוק TFInvalidArgumentException
אם ערכי החיזויים נמצאים מחוץ לטווח o [0. ל-1.]. במצב להוט, קריאה זו תזרוק IllegalArgumentException
, אם ערכי החיזויים נמצאים מחוץ לטווח o [0. ל-1.]
פרמטרים
תוויות | ערכי האמת או התוויות |
---|---|
תחזיות | הערכים החיזויים חייבים להיות בטווח [0. עד 1.] כולל. |
משקולות לדוגמה | SampleWeights אופציונליים פועלים כמקדם לאובדן. אם מסופק סקלר, אזי 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 במימד אחד, בדרך כלל ציר=-1.) |
מחזיר
- ההפסד
זורק
חריג טיעון לא חוקי | אם התחזיות הן מחוץ לטווח [0.-1.]. |
---|