این صفحه به‌وسیله ‏Cloud Translation API‏ ترجمه شده است.

BinaryCrossentropy

کلاس عمومی BinaryCrossentropy

یک متریک که افت آنتروپی متقاطع باینری را بین برچسب های واقعی و برچسب های پیش بینی شده محاسبه می کند.

این کلاس متریک متقاطع است که زمانی استفاده می شود که فقط دو کلاس برچسب (0 و 1) وجود داشته باشد.

ثابت های ارثی

از کلاس org.tensorflow.framework.metrics.impl.Reduce

رشته	شمردن
رشته	جمع

سازندگان عمومی

BinaryCrossentropy (Ops tf، نام رشته، Boolean fromLogits، float labelSmoothing، long seed، نوع Class<T>)

یک متریک BinaryCrossentropy ایجاد می کند

روش های عمومی

عملوند <T>

فراخوانی ( Operand <? گسترش TNumber > برچسب ها، Operand <? گسترش TNumber > پیش بینی ها)

کاهش وزن بین labels و predictions را محاسبه می کند

روش های ارثی

از کلاس org.tensorflow.framework.metrics.impl.MeanMetricWrapper

LossMetric <T>

getLoss ()

تابع ضرر را دریافت می کند.

فهرست < عملیات >

updateStateList ( Operand <? گسترش TNumber > برچسب ها، Operand <? گسترش TNumber > پیش بینی ها، Operand <? گسترش TNumber > sampleWeights)

عملیاتی را ایجاد می کند که وضعیت میانگین متریک را با فراخوانی تابع ضرر و ارسال ضرر به متریک میانگین برای محاسبه میانگین وزنی از دست دادن طی چندین تکرار ایجاد می کند.

از کلاس org.tensorflow.framework.metrics.impl.Reduce

متغیر <T>	getCount () متغیر count را دریافت می کند
کلاس<T>	getResultType () نوع متغیرها را دریافت می کند
متغیر <T>	getTotal () متغیر کل را بدست می آورد
Op	resetStates () هر متغیر حالت را به مقادیر اولیه خود بازنشانی می کند
عملوند <T>	نتیجه () نتیجه فعلی متریک را دریافت می کند
فهرست < عملیات >	updateStateList ( Operand <? TNumber > مقادیر را گسترش می دهد، Operand <? TNumber را گسترش می دهد > sampleWeights) متغیرهای متریک را بر اساس ورودی ها به روز می کند.

از کلاس org.tensorflow.framework.metrics.Metric

عملوند نهایی <T>	callOnce ( Operand <? TNumber > مقادیر را گسترش می دهد، Operand <? TNumber را گسترش می دهد > sampleWeights) تماس ها یک بار به روز می شوند و پس از آن یک تماس برای دریافت نتیجه
رشته	getName () نام این معیار را دریافت می کند.
طولانی	getSeed () مقدار بذر تولید کننده اعداد تصادفی را دریافت می کند
عملیات	getTF () TensorFlow Ops را دریافت می کند
Abstract Op	resetStates () هر متغیر حالت را به مقادیر اولیه خود بازنشانی می کند
عملوند انتزاعی <T>	نتیجه () نتیجه فعلی متریک را دریافت می کند
عملیات نهایی	updateState ( Operand <? گسترش TNumber > برچسب ها، Operand <? گسترش TNumber > پیش بینی ها، Operand <? گسترش TNumber > نمونه وزن ها) یک عملیات NoOp با وابستگی های کنترلی برای به روز رسانی حالت متریک ایجاد می کند
عملیات نهایی	updateState ( Operand <? TNumber > مقادیر را گسترش می دهد، Operand <? TNumber را گسترش می دهد > sampleWeights) یک عملیات NoOp با وابستگی های کنترلی برای به روز رسانی حالت متریک ایجاد می کند
فهرست < عملیات >	updateStateList ( Operand <? گسترش TNumber > برچسب ها، Operand <? گسترش TNumber > پیش بینی ها، Operand <? گسترش TNumber > sampleWeights) فهرستی از عملیات ایجاد می کند تا وضعیت متریک را بر اساس برچسب ها و پیش بینی ها به روز کند.
فهرست < عملیات >	updateStateList ( Operand <? TNumber > مقادیر را گسترش می دهد، Operand <? TNumber را گسترش می دهد > sampleWeights) فهرستی از عملیات برای به روز رسانی حالت متریک بر اساس مقادیر ورودی ایجاد می کند.

از کلاس java.lang.Object

بولی	برابر است (شیء arg0)
کلاس نهایی<?>	getClass ()
بین المللی	هش کد ()
باطل نهایی	اعلام کردن ()
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 ()

از رابط org.tensorflow.framework.metrics.impl.LossMetric

عملوند انتزاعی <T>

فراخوانی ( Operand <? گسترش TNumber > برچسب ها، Operand <? گسترش TNumber > پیش بینی ها)

کاهش وزن بین labels و predictions را محاسبه می کند

سازندگان عمومی

عمومی BinaryCrossentropy (Ops tf، نام رشته، منطقی از Logits، float labelSmoothing، long seed، نوع Class<T>)

یک متریک BinaryCrossentropy ایجاد می کند

مولفه های

tf	TensorFlow Ops
نام	نام این متریک، اگر null باشد، نام متریک `getSimpleName()` است.
از لاجیتز	اینکه آیا پیش‌بینی‌ها را به‌عنوان تانسور مقادیر لاجیت در مقابل توزیع احتمال تفسیر کنیم.
برچسب صاف کردن	مقداری که برای صاف کردن برچسب ها استفاده می شود، وقتی 0 باشد، هموارسازی رخ نمی دهد. 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 label_smoothing مربوط به هموارسازی سنگین تر است.
دانه	دانه برای تولید اعداد تصادفی. یک مقدار اولیه ایجاد شده با یک دانه معین، همیشه همان تانسور تصادفی را برای یک شکل و نوع داده مشخص تولید می کند.
نوع	نوع متغیرها و نتیجه

روش های عمومی

فراخوان عمومی Operand <T> ( Operand <? TNumber > برچسب ها را گسترش می دهد، Operand <? TNumber را گسترش می دهد > پیش بینی ها)

کاهش وزن بین labels و predictions را محاسبه می کند

مولفه های

برچسب ها	ارزش ها یا برچسب های حقیقت
پیش بینی ها	پیش بینی ها

برمی گرداند

از دست دادن