این صفحه به‌وسیله ‏Cloud Translation API‏ ترجمه شده است.

Losses

تلفات کلاس عمومی

توابع از دست دادن داخلی.

ثابت ها

بین المللی	CHANNELS_FIRST
بین المللی	CHANNELS_LAST
شناور	اپسیلون	فاکتور فاز پیش فرض

سازندگان عمومی

ضرر ()

روش های عمومی

استاتیک <T TNumber > عملوند <T> را گسترش می دهد	دودویی متقاطع (Ops tf، Operand <? گسترش TNumber > برچسب ها، عملوند <T> پیش بینی، منطقی ازLogits، float labelSmoothing) افت متقاطع دوتایی بین برچسب ها و پیش بینی ها را محاسبه می کند.
استاتیک <T TNumber > عملوند <T> را گسترش می دهد	categoricalCrossentropy (Ops tf، عملوند <? گسترش TNumber > برچسب‌ها، عملوند <T> پیش‌بینی، منطقی ازLogits، float labelSmoothing، int axis) تلفات متقاطع طبقه بندی شده بین برچسب ها و پیش بینی ها را محاسبه می کند.
استاتیک <T TNumber > عملوند <T> را گسترش می دهد	categoricalHinge (Ops tf، Operand <? گسترش TNumber > برچسب ها، عملوند <T> پیش بینی ها) تلفات لولای طبقه بندی شده بین برچسب ها و پیش بینی ها را محاسبه می کند.
استاتیک <T TNumber > عملوند <T> را گسترش می دهد	cosineSimilarity (Ops tf، عملوند <? TNumber > برچسب ها، عملوند <T> پیش بینی ها، محور int[] را گسترش می دهد. افت شباهت کسینوس بین برچسب ها و پیش بینی ها را محاسبه می کند.
استاتیک <T TNumber > عملوند <T> را گسترش می دهد	لولا (Ops tf، Operand <? گسترش TNumber > برچسب ها، عملوند <T> پیش بینی ها) افت لولا را بین برچسب ها و پیش بینی ها محاسبه می کند `loss = reduceMean(maximum(1 - labels * predictions, 0))`
استاتیک <T TNumber > عملوند <T> را گسترش می دهد	huber (Ops tf، Operand <? گسترش TNumber > برچسب ها، عملوند <T> پیش بینی، float delta) تلفات هوبر را بین برچسب ها و پیش بینی ها محاسبه می کند.
استاتیک <T TNumber > عملوند <T> را گسترش می دهد	kullbackLeiblerDivergence (Ops tf، Operand <? TNumber > برچسب ها را گسترش می دهد، عملوند <T> پیش بینی ها) افت واگرایی Kullback-Leibler را بین برچسب ها و پیش بینی ها محاسبه می کند.
استاتیک <T TNumber > عملوند <T> را گسترش می دهد	l2Normalize (Ops tf، عملوند <T> x، int[] محور) با استفاده از یک هنجار L2 در امتداد محور ابعاد عادی می شود.
استاتیک <T TNumber > عملوند <T> را گسترش می دهد	logCosh (Ops tf، Operand <? گسترش TNumber > برچسب ها، Operand <T> پیش بینی ها) افت کسینوس هذلولی بین برچسب ها و پیش بینی ها را محاسبه می کند.
استاتیک <T TNumber > عملوند <T> را گسترش می دهد	meanAbsoluteError (Ops tf، Operand <? TNumber > برچسب ها را گسترش می دهد، عملوند <T> پیش بینی ها) میانگین خطای مطلق بین برچسب ها و پیش بینی ها را محاسبه می کند.
استاتیک <T TNumber > عملوند <T> را گسترش می دهد	meanAbsolutePercentageError (Ops tf، Operand <? TNumber > برچسب ها را گسترش می دهد، عملوند <T> پیش بینی ها) میانگین درصد مطلق خطا بین برچسب ها و پیش بینی ها را محاسبه می کند.
استاتیک <T TNumber > عملوند <T> را گسترش می دهد	meanSquaredError (Ops tf، Operand <? TNumber > برچسب ها را گسترش می دهد، عملوند <T> پیش بینی ها) میانگین مربعات خطا بین برچسب ها و پیش بینی ها را محاسبه می کند.
استاتیک <T TNumber > عملوند <T> را گسترش می دهد	meanSquaredLogarithmicError (Ops tf، Operand <? TNumber > برچسب ها را گسترش می دهد، عملوند <T> پیش بینی ها) میانگین مربعات خطای لگاریتمی بین برچسب ها و پیش بینی ها را محاسبه می کند.
استاتیک <T TNumber > عملوند <T> را گسترش می دهد	poisson (Ops tf، Operand <? گسترش TNumber > برچسب ها، عملوند <T> پیش بینی ها) اتلاف پواسون را بین برچسب ها و پیش بینی ها محاسبه می کند.
استاتیک <T TNumber > عملوند <T> را گسترش می دهد	SparseCategoricalCrossentropy (Ops tf، Operand <? گسترش TNumber > برچسب ها، عملوند <T> پیش بینی، منطقی ازLogits، محور int) تلفات متقاطع طبقه‌ای پراکنده بین برچسب‌ها و پیش‌بینی‌ها را محاسبه می‌کند.
استاتیک <T TNumber > عملوند <T> را گسترش می دهد	SquaredHinge (Ops tf، Operand <? گسترش TNumber > برچسب ها، عملوند <T> پیش بینی ها) تلفات لولای مجذور بین برچسب ها و پیش بینی ها را محاسبه می کند.

روش های ارثی

از کلاس java.lang.Object

بولی	برابر است (شیء arg0)
کلاس نهایی<?>	getClass ()
بین المللی	هش کد ()
باطل نهایی	اطلاع رسانی ()
باطل نهایی	اطلاع رسانی به همه ()
رشته	toString ()
باطل نهایی	صبر کنید (long arg0، int arg1)
باطل نهایی	صبر کنید (طولانی arg0)
باطل نهایی	صبر کن ()

ثابت ها

عمومی استاتیک نهایی int CHANNELS_FIRST

ارزش ثابت: 1

نهایی استاتیک عمومی CHANNELS_LAST

مقدار ثابت: -1

اپسیلون شناور نهایی استاتیک عمومی

فاکتور فاز پیش فرض

مقدار ثابت: 1.0E-7

سازندگان عمومی

ضررهای عمومی ()

روش های عمومی

عملوند ایستا عمومی <T> باینری متقاطع (Ops tf، عملوند <? TNumber > برچسب ها، عملوند <T> پیش بینی، بولی ازLogits، float labelSmoothing)

افت متقاطع دوتایی بین برچسب ها و پیش بینی ها را محاسبه می کند.

پارامترها

tf	TensorFlow Ops
برچسب ها	اهداف واقعی
پیش بینی ها	پیش بینی ها
از لاجیتز	اینکه آیا پیش‌بینی‌ها را به عنوان تانسور مقادیر لاجیت تفسیر کنیم
برچسب صاف کردن	عددی در محدوده [0، 1]. وقتی 0 باشد، هموارسازی اتفاق نمی افتد. وقتی > 0 باشد، تلفات بین برچسب‌های پیش‌بینی‌شده و یک نسخه هموار شده از برچسب‌های واقعی را محاسبه کنید، جایی که هموارسازی برچسب‌ها را به سمت 0.5 فشرده می‌کند. مقادیر بزرگتر labelSmoothing مربوط به هموارسازی سنگین تر است.

برمی گرداند

از دست دادن متقاطع باینری

عملوند ایستا عمومی <T> categoricalCrossentropy (Ops tf، عملوند <? گسترش TNumber > برچسب ها، عملوند <T> پیش بینی، منطقی ازLogits، float labelSmoothing، int axis)

تلفات متقاطع طبقه بندی شده بین برچسب ها و پیش بینی ها را محاسبه می کند.

پارامترها

tf	TensorFlow Ops
برچسب ها	اهداف واقعی
پیش بینی ها	پیش بینی ها
از لاجیتز	اینکه آیا پیش‌بینی‌ها را به عنوان تانسور مقادیر لاجیت تفسیر کنیم
برچسب صاف کردن	شناور در `[0, 1]` . وقتی `> 0` ، مقادیر برچسب هموار می شوند، به این معنی که اطمینان در مقادیر برچسب کاهش می یابد. به عنوان مثال `labelSmoothing=0.2` به این معنی است که از مقدار `0.1` برای برچسب `0` و `0.9` برای برچسب `1` استفاده خواهیم کرد.
محور	را

برمی گرداند

از دست دادن متقاطع طبقه بندی شده

عملوند ثابت عمومی <T> categoricalHinge (Ops tf، Operand <? TNumber > برچسب ها را گسترش می دهد، پیش بینی های عملوند <T>)

تلفات لولای طبقه بندی شده بین برچسب ها و پیش بینی ها را محاسبه می کند.

پارامترها

tf	TensorFlow Ops
برچسب ها	برای اهداف واقعی، انتظار می رود مقادیر 0 یا 1 باشد.
پیش بینی ها	پیش بینی ها

برمی گرداند

از دست دادن طبقه بندی لولا

عملوند ثابت عمومی <T> کسینوس شباهت (Ops tf، عملوند <? TNumber > برچسب ها، عملوند <T> پیش بینی ها، محور int[] را گسترش می دهد)

افت شباهت کسینوس بین برچسب ها و پیش بینی ها را محاسبه می کند.

توجه داشته باشید که عددی بین -1 و 1 است که با تعریف ریاضی شباهت کسینوس که 1 نشان دهنده بردارهای مشابه و 0 بردارهای غیرمشابه است متفاوت است. در این تابع، اعداد در محدوده -1 تا 1 معکوس می شوند. هنگامی که عددی بین -1 و 0 منفی است، 0 نشان دهنده متعامد بودن و مقادیر نزدیک به -1 نشان دهنده شباهت بیشتر است. مقادیر نزدیک به 1 نشان دهنده عدم تشابه بیشتر است. این باعث می شود که آن را به عنوان یک تابع ضرر در تنظیماتی که سعی می کنید نزدیکی بین پیش بینی ها و اهداف را به حداکثر برسانید، قابل استفاده است. اگر هر یک از برچسب ها یا پیش بینی ها بردار صفر باشد، شباهت کسینوس بدون توجه به نزدیکی بین پیش بینی ها و اهداف 0 خواهد بود.

loss = -sum(l2Norm(labels) * l2Norm(predictions))

پارامترها

tf	TensorFlow Ops
برچسب ها	اهداف واقعی
پیش بینی ها	پیش بینی ها
محور	محوری که در امتداد آن تشابه تعیین می شود.

برمی گرداند

از دست دادن شباهت کسینوس

لولای عملوند ایستا عمومی <T> (Ops tf، Operand <? TNumber را گسترش می دهد > برچسب ها، عملوند <T> پیش بینی ها)

افت لولا را بین برچسب ها و پیش بینی ها محاسبه می کند

loss = reduceMean(maximum(1 - labels * predictions, 0))

پارامترها

tf	TensorFlow Ops
برچسب ها	برای اهداف واقعی، مقادیر انتظار می رود -1 یا 1 باشد. اگر برچسب های باینری (0 یا 1) ارائه شود، آنها به -1 یا 1 تبدیل می شوند.
پیش بینی ها	پیش بینی ها

برمی گرداند

از دست دادن لولا

عملوند ایستا عمومی <T> huber (Ops tf، Operand <? TNumber را گسترش می دهد > برچسب ها، عملوند <T> پیش بینی ها، float delta)

تلفات هوبر را بین برچسب ها و پیش بینی ها محاسبه می کند.

برای هر مقدار x در خطا = برچسب ها - پیش بینی ها:

     loss = 0.5 * x^2                  if |x| <= d
     loss = 0.5 * d^2 + d * (|x| - d)  if |x| > d

جایی که d دلتا است.

پارامترها

tf	TensorFlow Ops
برچسب ها	اهداف واقعی
پیش بینی ها	پیش بینی ها
دلتا	نقطه ای که تابع ضرر هوبر از درجه دوم به خطی تغییر می کند.

برمی گرداند

ضرر هوبر

عملوند ثابت عمومی <T> kullbackLeiblerDivergence (Ops tf، Operand <? TNumber > برچسب ها را گسترش می دهد، پیش بینی های عملوند <T>)

افت واگرایی Kullback-Leibler را بین برچسب ها و پیش بینی ها محاسبه می کند.

پارامترها

tf	TensorFlow Ops
برچسب ها	اهداف واقعی
پیش بینی ها	پیش بینی ها

برمی گرداند

از دست دادن واگرایی کولبک-لایبلر

همچنین ببینید

کول بک؟ واگرایی لایبلر

عملوند ثابت عمومی <T> l2Normalize (Ops tf، عملوند <T> x، int[] محور)

با استفاده از یک هنجار L2 در امتداد محور ابعاد عادی می شود.

پارامترها

tf	TensorFlow Ops
x	ورودی
محور	ابعادی که در امتداد آن نرمال می شود.

برمی گرداند

مقادیر نرمال شده بر اساس هنجار L2

عمومی استاتیک Operand <T> logCosh (Ops tf، Operand <? TNumber > برچسب ها را گسترش می دهد، پیش بینی های Operand <T>)

افت کسینوس هذلولی بین برچسب ها و پیش بینی ها را محاسبه می کند.

log(cosh(x)) تقریبا برابر با (x ** 2) / 2 برای x کوچک و abs(x) - log(2) برای x بزرگ است. این به این معنی است که 'logCosh' بیشتر مانند خطای میانگین مربع کار می کند، اما پیش بینی های نادرست گاه به گاه به شدت تحت تأثیر قرار نخواهد گرفت.

پارامترها

tf	TensorFlow Ops
برچسب ها	اهداف واقعی
پیش بینی ها	پیش بینی ها

برمی گرداند

از دست دادن واگرایی کسینوس هایپربولیک

عملوند ثابت عمومی <T> meanAbsoluteError (Ops tf، Operand <? TNumber > برچسب ها را گسترش می دهد، عملوند <T> پیش بینی ها)

میانگین خطای مطلق بین برچسب ها و پیش بینی ها را محاسبه می کند.

loss = reduceMean(abs(labels - predictions))

پارامترها

tf	TensorFlow Ops
برچسب ها	برچسب ها
پیش بینی ها	پیش بینی ها

برمی گرداند

میانگین خطای مطلق

عملوند ثابت عمومی <T> meanAbsolutePercentageError (Ops tf، Operand <? TNumber > برچسب ها را گسترش می دهد، عملوند <T> پیش بینی ها)

میانگین درصد مطلق خطا بین برچسب ها و پیش بینی ها را محاسبه می کند.

loss = 100 * reduceMean(abs((labels - predictions) / labels))

پارامترها

tf	TensorFlow Ops
برچسب ها	برچسب ها
پیش بینی ها	پیش بینی ها

برمی گرداند

میانگین درصد خطای مطلق

عملوند ثابت عمومی <T> meanSquaredError (Ops tf، Operand <? TNumber > برچسب ها را گسترش می دهد، عملوند <T> پیش بینی ها)

میانگین مربعات خطا بین برچسب ها و پیش بینی ها را محاسبه می کند.

loss = reduceMean(square(labels - predictions))

پارامترها

tf	TensorFlow Ops
برچسب ها	برچسب ها
پیش بینی ها	پیش بینی ها

برمی گرداند

میانگین مربعات خطا

عملوند ثابت عمومی <T> meanSquaredLogarithmicError (Ops tf، Operand <? TNumber > برچسب ها را گسترش می دهد، عملوند <T> پیش بینی ها)

میانگین مربعات خطای لگاریتمی بین برچسب ها و پیش بینی ها را محاسبه می کند.

loss = reduceMean(square(log(labels + 1) - log(predictions + 1)))

پارامترها

tf	TensorFlow Ops
برچسب ها	برچسب ها
پیش بینی ها	پیش بینی ها

برمی گرداند

میانگین مربع درصد خطای لگاریتمی

عمومی ایستا Operand <T> poisson (Ops tf، Operand <? TNumber > برچسب ها را گسترش می دهد، پیش بینی های عملند <T>)

اتلاف پواسون را بین برچسب ها و پیش بینی ها محاسبه می کند.

از دست دادن پواسون میانگین عناصر predictions - labels * log(predictions) .

پارامترها

tf	TensorFlow Ops
برچسب ها	اهداف واقعی
پیش بینی ها	پیش بینی ها

برمی گرداند

از دست دادن پواسون

عملوند ایستا عمومی <T> sparseCategoricalCrossentropy (Ops tf، عملوند <? TNumber > برچسب ها را گسترش می دهد، پیش بینی های عملوند <T>، منطقی ازLogits، محور int)

تلفات متقاطع طبقه‌ای پراکنده بین برچسب‌ها و پیش‌بینی‌ها را محاسبه می‌کند.

پارامترها

tf	TensorFlow Ops
برچسب ها	اهداف واقعی
پیش بینی ها	پیش بینی ها
از لاجیتز	اینکه آیا انتظار می رود پیش بینی ها منطقی باشند یا خیر. به طور پیش فرض، فرض می شود که پیش بینی ها یک توزیع احتمال را رمزگذاری می کنند.
محور	بعد که آنتروپی در آن محاسبه می شود.

برمی گرداند

از دست دادن متقاطع طبقه بندی پراکنده

عملوند ثابت عمومی <T> squaredHinge (Ops tf، Operand <? TNumber > برچسب ها را گسترش می دهد، عملوند <T> پیش بینی ها)

تلفات لولای مجذور بین برچسب ها و پیش بینی ها را محاسبه می کند.

loss = reduceMean(square(maximum(1 - labels * predictions, 0)))

پارامترها

tf	TensorFlow Ops
برچسب ها	برای اهداف واقعی، مقادیر انتظار می‌رود -1 یا 1 باشند. اگر برچسب‌های باینری (0 یا 1) * ارائه شوند، به -1 یا 1 تبدیل می‌شوند.
پیش بینی ها	پیش بینی ها

برمی گرداند

از دست دادن لولا مربع