Funções de perda integradas.
Constantes
| interno | CANAIS_FIRST | |
| interno | CANAIS_ÚLTIMOS | |
| flutuador | ÉPSILON | Fator Fuzz padrão. |
Construtores Públicos
Perdas () |
Métodos Públicos
| estático <T estende TNumber > Operando <T> | binárioCrossentropy (Ops tf, Operando <? estende TNumber > rótulos, previsões de Operando <T>, booleano fromLogits, rótulo flutuante Suavização) Calcula a perda binária de entropia cruzada entre rótulos e previsões. |
| estático <T estende TNumber > Operando <T> | categoricalCrossentropy (Ops tf, operando <? estende TNumber > rótulos, previsões de operando <T>, booleano fromLogits, float labelSmoothing, eixo int) Calcula a perda de entropia cruzada categórica entre rótulos e previsões. |
| estático <T estende TNumber > Operando <T> | categoricalHinge (Ops tf, operando <? estende TNumber > rótulos, previsões de operando <T>) Calcula a perda de dobradiça categórica entre rótulos e previsões. |
| estático <T estende TNumber > Operando <T> | cosineSimilarity (Ops tf, operando <? estende TNumber > rótulos, previsões de operando <T>, eixo int[]) Calcula a perda de similaridade de cosseno entre rótulos e previsões. |
| estático <T estende TNumber > Operando <T> | dobradiça (Ops tf, operando <? estende TNumber > rótulos, previsões de operando <T>) Calcula a perda de dobradiça entre rótulos e previsões |
| estático <T estende TNumber > Operando <T> | |
| estático <T estende TNumber > Operando <T> | kullbackLeiblerDivergence (Ops tf, operando <? estende TNumber > rótulos, previsões de operando <T>) Calcula a perda de divergência de Kullback-Leibler entre rótulos e previsões. |
| estático <T estende TNumber > Operando <T> | l2Normalize (Ops tf, Operando <T> x, eixo int[]) Normaliza ao longo do eixo da dimensão usando uma norma L2. |
| estático <T estende TNumber > Operando <T> | logCosh (Ops tf, operando <? estende TNumber > rótulos, previsões de operando <T>) Calcula a perda de cosseno hiperbólico entre rótulos e previsões. |
| estático <T estende TNumber > Operando <T> | meanAbsoluteError (Ops tf, operando <? estende TNumber > rótulos, previsões de operando <T>) Calcula o erro médio absoluto entre rótulos e previsões. |
| estático <T estende TNumber > Operando <T> | meanAbsolutePercentageError (Ops tf, operando <? estende TNumber > rótulos, previsões de operando <T>) Calcula o erro percentual médio absoluto entre rótulos e previsões. |
| estático <T estende TNumber > Operando <T> | meanSquaredError (Ops tf, operando <? estende TNumber > rótulos, previsões de operando <T>) Calcula o erro quadrático médio entre rótulos e previsões. |
| estático <T estende TNumber > Operando <T> | meanSquaredLogarithmicError (Ops tf, operando <? estende TNumber > rótulos, previsões de operando <T>) Calcula o erro logarítmico quadrático médio entre rótulos e previsões. |
| estático <T estende TNumber > Operando <T> | poisson (Ops tf, operando <? estende TNumber > rótulos, previsões de operando <T>) Calcula a perda de Poisson entre rótulos e previsões. |
| estático <T estende TNumber > Operando <T> | sparseCategoricalCrossentropy (Ops tf, Operando <? estende TNumber > rótulos, previsões de Operando <T>, booleano fromLogits, eixo int) Calcula a perda de entropia cruzada categórica esparsa entre rótulos e previsões. |
| estático <T estende TNumber > Operando <T> | squaredHinge (Ops tf, operando <? estende TNumber > rótulos, previsões de operando <T>) Calcula a perda de dobradiça quadrada entre rótulos e previsões. |
Métodos herdados
Constantes
público estático final int CHANNELS_FIRST
público estático final int CHANNELS_LAST
flutuador final estático público EPSILON
Fator Fuzz padrão.
Construtores Públicos
Perdas públicas ()
Métodos Públicos
operando estático público <T> binárioCrossentropy (Ops tf, operando <? estende TNumber > rótulos, previsões de operando <T>, booleano fromLogits, rótulo flutuante Suavização)
Calcula a perda binária de entropia cruzada entre rótulos e previsões.
Parâmetros
| TF | as operações do TensorFlow |
|---|---|
| rótulos | alvos verdadeiros |
| previsões | as previsões |
| deLogits | Se deve interpretar as previsões como um tensor de valores logit |
| etiqueta Suavização | Um número no intervalo [0, 1]. Quando 0, nenhuma suavização ocorre. Quando > 0, calcule a perda entre os rótulos previstos e uma versão suavizada dos rótulos verdadeiros, onde a suavização comprime os rótulos em direção a 0,5. Valores maiores de labelSmoothing correspondem a uma suavização mais pesada. |
Devoluções
- a perda de entropia cruzada binária.
operando estático público <T> categóricoCrossentropy (Ops tf, operando <? estende TNumber > rótulos, previsões de operando <T>, booleano fromLogits, rótulo flutuante Suavização, eixo int)
Calcula a perda de entropia cruzada categórica entre rótulos e previsões.
Parâmetros
| TF | as operações do TensorFlow |
|---|---|
| rótulos | alvos verdadeiros |
| previsões | as previsões |
| deLogits | Se deve interpretar as previsões como um tensor de valores logit |
| etiqueta Suavização | Flutuar em [0, 1] . Quando > 0 , os valores dos rótulos são suavizados, o que significa que a confiança nos valores dos rótulos é relaxada. por exemplo, labelSmoothing=0.2 significa que usaremos um valor de 0.1 para o rótulo 0 e 0.9 para o rótulo 1 |
| eixo | o |
Devoluções
- a perda de entropia cruzada categórica.
operando estático público <T> categoricalHinge (Ops tf, operando <? estende TNumber > rótulos, previsões do operando <T>)
Calcula a perda de dobradiça categórica entre rótulos e previsões.
Parâmetros
| TF | as operações do TensorFlow |
|---|---|
| rótulos | alvos verdadeiros, espera-se que os valores sejam 0 ou 1. |
| previsões | as previsões |
Devoluções
- a perda de dobradiça categórica
operando estático público <T> cossenoSimilaridade (Ops tf, operando <? estende TNumber > rótulos, previsões de operando <T>, eixo int[])
Calcula a perda de similaridade de cosseno entre rótulos e previsões.
Observe que é um número entre -1 e 1 , o que é diferente da definição matemática de similaridade de cossenos, onde 1 representa vetores semelhantes e 0 representa vetores diferentes. Nesta função, os números são invertidos no intervalo de -1 a 1 . Quando é um número negativo entre -1 e 0 , 0 indica ortogonalidade e valores mais próximos de -1 indicam maior similaridade. Os valores mais próximos de 1 indicam maior dissimilaridade. Isso a torna utilizável como uma função de perda em um ambiente onde você tenta maximizar a proximidade entre previsões e alvos. Se os rótulos ou as previsões forem um vetor zero, a similaridade do cosseno será 0 independentemente da proximidade entre as previsões e os alvos.
loss = -sum(l2Norm(labels) * l2Norm(predictions))
Parâmetros
| TF | as operações do TensorFlow |
|---|---|
| rótulos | alvos verdadeiros |
| previsões | as previsões |
| eixo | Eixo ao longo do qual determinar a similaridade. |
Devoluções
- a perda de similaridade de cosseno
dobradiça pública estática do operando <T> (Ops tf, operando <? estende TNumber > rótulos, previsões do operando <T>)
Calcula a perda de dobradiça entre rótulos e previsões
loss = reduceMean(maximum(1 - labels * predictions, 0))
Parâmetros
| TF | as operações do TensorFlow |
|---|---|
| rótulos | alvos verdadeiros, espera-se que os valores sejam -1 ou 1. Se rótulos binários (0 ou 1) forem fornecidos, eles serão convertidos para -1 ou 1. |
| previsões | as previsões |
Devoluções
- a perda da dobradiça
operando estático público <T> huber (Ops tf, operando <? estende TNumber > rótulos, previsões de operando <T>, delta flutuante)
Calcula a perda de Huber entre rótulos e previsões.
Para cada valor x em erro = rótulos - previsões:
loss = 0.5 * x^2 if |x| <= d
loss = 0.5 * d^2 + d * (|x| - d) if |x| > d
onde d é delta.
Parâmetros
| TF | as operações do TensorFlow |
|---|---|
| rótulos | alvos verdadeiros |
| previsões | as previsões |
| delta | o ponto onde a função de perda de Huber muda de quadrática para linear. |
Devoluções
- a perda de Huber
operando estático público <T> kullbackLeiblerDivergence (Ops tf, operando <? estende TNumber > rótulos, previsões do operando <T>)
Calcula a perda de divergência de Kullback-Leibler entre rótulos e previsões.
Parâmetros
| TF | as operações do TensorFlow |
|---|---|
| rótulos | alvos verdadeiros |
| previsões | as previsões |
Devoluções
- a perda de divergência Kullback-Leibler
Veja também
Operando estático público <T> l2Normalize (Ops tf, Operando <T> x, eixo int[])
Normaliza ao longo do eixo da dimensão usando uma norma L2.
Parâmetros
| TF | As operações do TensorFlow |
|---|---|
| x | a entrada |
| eixo | Dimensão ao longo da qual normalizar. |
Devoluções
- os valores normalizados com base na norma L2
operando estático público <T> logCosh (Ops tf, operando <? estende TNumber > rótulos, previsões de operando <T>)
Calcula a perda de cosseno hiperbólico entre rótulos e previsões.
log(cosh(x)) é aproximadamente igual a (x ** 2) / 2 para x pequeno e a abs(x) - log(2) para x grande. Isso significa que 'logCosh' funciona principalmente como o erro quadrático médio, mas não será tão fortemente afetado por previsões ocasionais totalmente incorretas.
Parâmetros
| TF | as operações do TensorFlow |
|---|---|
| rótulos | alvos verdadeiros |
| previsões | as previsões |
Devoluções
- a perda de divergência de cosseno hiperbólico
operando estático público <T> meanAbsoluteError (Ops tf, operando <? estende TNumber > rótulos, previsões do operando <T>)
Calcula o erro médio absoluto entre rótulos e previsões.
loss = reduceMean(abs(labels - predictions))
Parâmetros
| TF | As operações do TensorFlow |
|---|---|
| rótulos | os rótulos |
| previsões | as previsões |
Devoluções
- o erro médio absoluto
operando estático público <T> meanAbsolutePercentageError (Ops tf, operando <? estende TNumber > rótulos, previsões do operando <T>)
Calcula o erro percentual médio absoluto entre rótulos e previsões.
loss = 100 * reduceMean(abs((labels - predictions) / labels))
Parâmetros
| TF | As operações do TensorFlow |
|---|---|
| rótulos | os rótulos |
| previsões | as previsões |
Devoluções
- o erro percentual absoluto médio
operando estático público <T> meanSquaredError (Ops tf, operando <? estende TNumber > rótulos, previsões do operando <T>)
Calcula o erro quadrático médio entre rótulos e previsões.
loss = reduceMean(square(labels - predictions))
Parâmetros
| TF | As operações do TensorFlow |
|---|---|
| rótulos | os rótulos |
| previsões | as previsões |
Devoluções
- o erro quadrático médio
operando estático público <T> meanSquaredLogarithmicError (Ops tf, operando <? estende TNumber > rótulos, previsões do operando <T>)
Calcula o erro logarítmico quadrático médio entre rótulos e previsões.
loss = reduceMean(square(log(labels + 1) - log(predictions + 1)))
Parâmetros
| TF | As operações do TensorFlow |
|---|---|
| rótulos | os rótulos |
| previsões | as previsões |
Devoluções
- o erro percentual logarítmico médio quadrático
operando estático público <T> poisson (Ops tf, operando <? estende TNumber > rótulos, previsões de operando <T>)
Calcula a perda de Poisson entre rótulos e previsões.
A perda de Poisson é a média dos elementos das predictions - labels * log(predictions) .
Parâmetros
| TF | as operações do TensorFlow |
|---|---|
| rótulos | alvos verdadeiros |
| previsões | as previsões |
Devoluções
- a perda de Poisson
operando estático público <T> sparseCategoricalCrossentropy (Ops tf, operando <? estende TNumber > rótulos, previsões de operando <T>, booleano fromLogits, eixo int)
Calcula a perda de entropia cruzada categórica esparsa entre rótulos e previsões.
Parâmetros
| TF | as operações do TensorFlow |
|---|---|
| rótulos | alvos verdadeiros |
| previsões | as previsões |
| deLogits | Se se espera que as previsões sejam logits. Por padrão, presume-se que as previsões codificam uma distribuição de probabilidade. |
| eixo | A dimensão ao longo da qual a entropia é calculada. |
Devoluções
- a escassa perda de entropia cruzada categórica
operando estático público <T> squaredHinge (Ops tf, operando <? estende TNumber > rótulos, previsões de operando <T>)
Calcula a perda de dobradiça quadrada entre rótulos e previsões.
loss = reduceMean(square(maximum(1 - labels * predictions, 0)))
Parâmetros
| TF | as operações do TensorFlow |
|---|---|
| rótulos | alvos verdadeiros, espera-se que os valores sejam -1 ou 1. Se os rótulos binários (0 ou 1) forem * fornecidos, eles serão convertidos para -1 ou 1. |
| previsões | as previsões |
Devoluções
- a perda de dobradiça quadrada