Ta strona została przetłumaczona przez Cloud Translation API.

BinaryCrossentropy

klasa publiczna BinaryCrossentropy

Metryka, która oblicza binarną stratę entropii krzyżowej między prawdziwymi i przewidywanymi etykietami.

Jest to klasa metryki crossentropii, która ma być używana, gdy istnieją tylko dwie klasy etykiet (0 i 1).

Strunowy	LICZYĆ
Strunowy	CAŁKOWITY

BinaryCrossentropy (Ops tf, nazwa ciągu, wartość logiczna fromLogits, etykieta zmiennoprzecinkowaSmoothing, długie ziarno, typ Class<T>)

Tworzy metrykę BinaryCrossentropy

wywołanie ( Operand <? rozszerza TNumber > etykiety, Operand <? rozszerza TNumber > przewidywania)

Oblicza ważoną stratę między labels i predictions

Metryka strat <T>	spierniczaj () Pobiera funkcję straty.
Lista <Op>	updateStateList ( Operand <? rozszerza TNumber > etykiety, Operand <? rozszerza TNumber > przewidywania, Operand <? rozszerza TNumber > próbkiWagi) Tworzy operacje, które aktualizują stan metryki średniej, wywołując funkcję straty i przekazując stratę do metryki Mean w celu obliczenia średniej ważonej straty w wielu iteracjach.

Zmienna <T>	pobierz liczbę () Pobiera zmienną licznika
Klasa<T>	getResultType () Pobiera typ zmiennych
Zmienna <T>	getTotal () Pobiera całkowitą zmienną
Op	resetStany () Resetuje wszystkie zmienne stanu do ich wartości początkowych
Argument <T>	wynik () Pobiera bieżący wynik metryki
Lista <Op>	updateStateList ( Operand <? rozszerza TNumber > wartości, Operand <? rozszerza TNumber > próbkiWeights) Aktualizuje zmienne metryki na podstawie danych wejściowych.

końcowy argument <T>	callOnce ( Operand <? rozszerza TNumber > wartości, Operand <? rozszerza TNumber > próbkiWeights) Wywołuje aktualizację stanu raz, po czym następuje wywołanie w celu uzyskania wyniku
Strunowy	pobierz nazwę () Pobiera nazwę tej metryki.
długi	pobierz nasiona () Pobiera wartość początkową generatora liczb losowych
Operacje	getTF () Pobiera operacje TensorFlow
streszczenie op	resetStany () Resetuje wszystkie zmienne stanu do ich wartości początkowych
abstrakcyjny argument <T>	wynik () Pobiera bieżący wynik metryki
końcowy op	updateState ( Operand <? rozszerza TNumber > etykiety, Operand <? rozszerza TNumber > przewidywania, Operand <? rozszerza TNumber > próbkiWagi) Tworzy operację NoOp z zależnościami kontrolnymi w celu zaktualizowania stanu metryki
końcowy op	updateState ( Operand <? rozszerza TNumber > wartości, Operand <? rozszerza TNumber > próbkiWeights) Tworzy operację NoOp z zależnościami kontrolnymi w celu zaktualizowania stanu metryki
Lista <Op>	updateStateList ( Operand <? rozszerza TNumber > etykiety, Operand <? rozszerza TNumber > przewidywania, Operand <? rozszerza TNumber > próbkiWagi) Tworzy listę operacji w celu zaktualizowania stanu metryki na podstawie etykiet i przewidywań.
Lista <Op>	updateStateList ( Operand <? rozszerza TNumber > wartości, Operand <? rozszerza TNumber > próbkiWeights) Tworzy listę operacji w celu zaktualizowania stanu metryki na podstawie wartości wejściowych.

Z klasy java.lang.Object

abstrakcyjny argument <T>

wywołanie ( Operand <? rozszerza TNumber > etykiety, Operand <? rozszerza TNumber > przewidywania)

Oblicza ważoną stratę między labels i predictions

Konstruktorzy publiczni

Tworzy metrykę BinaryCrossentropy

tf	operacji TensorFlow
nazwa	nazwa tej metryki, jeśli ma wartość null, to nazwa metryki to `getSimpleName()` .
zLogits	Czy interpretować przewidywania jako tensor wartości logitowych, a nie jako rozkład prawdopodobieństwa.
etykietaWygładzanie	wartość używana do wygładzania etykiet. Gdy 0, wygładzanie nie występuje. Gdy > 0, oblicz stratę między przewidywanymi etykietami a wygładzoną wersją prawdziwych etykiet, gdzie wygładzanie ściska etykiety w kierunku 0,5. Większe wartości label_smoothing odpowiadają intensywniejszemu wygładzaniu.
nasionko	materiał siewny do generowania liczb losowych. Inicjator utworzony z danego ziarna zawsze będzie generował ten sam losowy tensor dla danego kształtu i typu danych.
typ	typ zmiennych i wynik

Oblicza ważoną stratę między labels i predictions

etykiety	wartości prawdy lub etykiety
prognozy	przewidywania