Aprenda o que há de mais recente em aprendizado de máquina, IA generativa e muito mais no WiML Symposium 2023
Registre-se
MeanMetricWrapper
Mantenha tudo organizado com as coleções
Salve e categorize o conteúdo com base nas suas preferências.
Subclasses diretas conhecidas BinaryCrossentropy <T estende TNumber >, CategoricalCrossentropy <T estende TNumber >, CategoricalHinge <T estende TNumber >, CosineSimilarity <T estende TNumber >, dobradiça <T estende TNumber >, KLDivergence <T estende TNumber >, LogCoshError <T estende TNumber >, MeanAbsoluteError <T estende TNumber >, MeanAbsolutePercentageError <T estende TNumber >, MeanSquaredError <T estende TNumber >, MeanSquaredLogarithmicError <T estende TNumber >, Poisson <T estende TNumber >, SparseCategoricalCrossentropy <T estende TNumber >, SquaredHinge <T estende TNumber > BinaryCrossentropy <T extends TNumber > | Uma métrica que calcula a perda de entropia cruzada binária entre rótulos verdadeiros e rótulos previstos. | CategoricalCrossentropy <T extends TNumber > | Uma métrica que calcula a perda de entropia cruzada categórica entre rótulos verdadeiros e rótulos previstos. | CategoricalHinge <T extends TNumber > | Uma métrica que calcula a métrica de perda de dobradiça categórica entre rótulos e previsões. | CosineSimilarity <T extends TNumber > | Uma métrica que calcula a métrica de similaridade de cosseno entre rótulos e previsões. | Dobradiça <T estende TNumber > | Uma métrica que calcula a métrica de perda de dobradiça entre rótulos e previsões. | KLDivergence <T extends TNumber > | Uma métrica que calcula a métrica de perda de divergência Kullback-Leibler entre rótulos e previsões. | LogCoshError <T extends TNumber > | Uma métrica que calcula o logaritmo do cosseno hiperbólico da métrica de erro de previsão entre rótulos e previsões. | MeanAbsoluteError <T extends TNumber > | Uma métrica que calcula a média da diferença absoluta entre rótulos e previsões. | MeanAbsolutePercentageError <T extends TNumber > | Uma métrica que calcula a média da diferença absoluta entre rótulos e previsões. | MeanSquaredError <T extends TNumber > | Uma métrica que calcula a média da diferença absoluta entre rótulos e previsões. | MeanSquaredLogarithmicError <T extends TNumber > | Uma métrica que calcula a média da diferença absoluta entre rótulos e previsões. | Poisson <T extends TNumber > | Uma métrica que calcula a métrica de perda de Poisson entre rótulos e previsões. | SparseCategoricalCrossentropy <T extends TNumber > | Uma métrica que calcula a perda de entropia cruzada categórica esparsa entre rótulos verdadeiros e rótulos previstos. | SquaredHinge <T extends TNumber > | Uma métrica que calcula a métrica de perda de dobradiça quadrada entre rótulos e previsões. |
|
Uma classe que conecta uma função de perda sem estado com a métrica Mean
usando uma redução de WEIGHTED_MEAN
.
A função de perda calcula a perda entre os labels
e predictions
e então passa essa perda para a métrica Mean
para calcular a média ponderada da perda em muitas iterações ou épocas
Métodos herdados
Da classe java.lang.Object boleano | igual a (objeto arg0) |
aula final <?> | getClass () |
int | hashCode () |
vazio final | notificar () |
vazio final | notificar tudo () |
Fragmento | toString () |
vazio final | espera (long arg0, int arg1) |
vazio final | espera (long arg0) |
vazio final | espera () |
Métodos Públicos
Lista pública < Op > updateStateList ( Operando <? estende TNumber > etiquetas, Operando <? estende TNumber > previsões, Operando <? estende TNumber > sampleWeights)
Cria operações que atualizam o estado da métrica média, chamando a função de perda e passando a perda para a métrica Média para calcular a média ponderada da perda em várias iterações.
Parâmetros
rótulos | os valores verdadeiros ou rótulos |
---|
previsões | as previsões |
---|
sampleWeights | SampleWeights opcional atua como um coeficiente para a perda. Se um escalar for fornecido, a perda será simplesmente dimensionada pelo valor fornecido. Se sampleWeights for um tensor de tamanho [batch_size], a perda total de cada amostra do lote será redimensionada pelo elemento correspondente no vetor sampleWeights. Se a forma de sampleWeights for [batch_size, d0, .. dN-1] (ou pode ser transmitido para esta forma), então cada elemento de perda de previsões é escalado pelo valor correspondente de sampleWeights. (Nota sobre dN-1: todas as funções de perda reduzem em 1 dimensão, geralmente eixo = -1.) |
---|
Devoluções
- uma lista de operações de controle que atualiza as variáveis de estado médio.
Exceto em caso de indicação contrária, o conteúdo desta página é licenciado de acordo com a Licença de atribuição 4.0 do Creative Commons, e as amostras de código são licenciadas de acordo com a Licença Apache 2.0. Para mais detalhes, consulte as políticas do site do Google Developers. Java é uma marca registrada da Oracle e/ou afiliadas.
Última atualização 2021-04-01 UTC.
[{
"type": "thumb-down",
"id": "missingTheInformationINeed",
"label":"Não contém as informações de que eu preciso"
},{
"type": "thumb-down",
"id": "tooComplicatedTooManySteps",
"label":"Muito complicado / etapas demais"
},{
"type": "thumb-down",
"id": "outOfDate",
"label":"Desatualizado"
},{
"type": "thumb-down",
"id": "translationIssue",
"label":"Problema na tradução"
},{
"type": "thumb-down",
"id": "samplesCodeIssue",
"label":"Problema com as amostras / o código"
},{
"type": "thumb-down",
"id": "otherDown",
"label":"Outro"
}]
[{
"type": "thumb-up",
"id": "easyToUnderstand",
"label":"Fácil de entender"
},{
"type": "thumb-up",
"id": "solvedMyProblem",
"label":"Meu problema foi resolvido"
},{
"type": "thumb-up",
"id": "otherUp",
"label":"Outro"
}]
{
"lastModified": "Última atualização 2021-04-01 UTC.",
"confidential": False
}