คอนสตรัคชั่นสาธารณะ
วิธีการสาธารณะ
| คงที่ <T ขยาย TNumber , U ขยาย TNumber > ตัวถูกดำเนินการ | sparseSoftmaxCrossEntropyWithLogits (ขอบเขต ขอบเขต , ป้ายกำกับ Operand <T>, การบันทึก Operand <U>) คำนวณเอนโทรปีข้าม softmax แบบเบาบางระหว่าง logits และ labels |
วิธีการสืบทอด
คอนสตรัคชั่นสาธารณะ
SparseSoftmaxCrossEntropyWithLogits สาธารณะ ()
วิธีการสาธารณะ
ตัวดำเนินการ คงที่สาธารณะ sparseSoftmaxCrossEntropyWithLogits (ขอบเขต ขอบเขต ป้าย กำกับ ตัวดำเนินการ <T> ตัว ดำเนินการบันทึก <U>)
คำนวณเอนโทรปีข้าม softmax แบบเบาบางระหว่าง logits และ labels
วัดข้อผิดพลาดของความน่าจะเป็นในงานการจำแนกประเภทแบบแยกซึ่งคลาสไม่เกิดร่วมกัน (แต่ละรายการอยู่ในคลาสเดียวเท่านั้น) ตัวอย่างเช่น รูปภาพ CIFAR-10 แต่ละรูปจะมีป้ายกำกับเพียงป้ายกำกับเดียวเท่านั้น รูปภาพอาจเป็นสุนัขหรือรถบรรทุกก็ได้ แต่ไม่ใช่ทั้งสองอย่าง
บันทึก:
สำหรับการดำเนินการนี้ ความน่าจะเป็นของป้ายกำกับที่กำหนดจะถือเป็นเอกสิทธิ์ นั่นคือ ไม่อนุญาตให้ใช้คลาสแบบซอฟต์ และเวกเตอร์ labels กำกับต้องจัดให้มีดัชนีเฉพาะตัวเดียวสำหรับคลาสจริงสำหรับ logits แต่ละแถว (แต่ละรายการมินิแบทช์) สำหรับการจำแนกประเภท softmax ที่มีการกระจายความน่าจะเป็นสำหรับแต่ละรายการ ERROR(/org.tensorflow.op.NnOps#softmaxCrossEntropyWithLogits)
คำเตือน:
การดำเนินการนี้คาดว่าจะมีการบันทึกแบบไม่ปรับขนาด เนื่องจากจะดำเนินการ softmax ใน logits ภายในเพื่อประสิทธิภาพ อย่าเรียก op นี้ด้วยเอาต์พุตของ softmax เนื่องจากจะทำให้ได้ผลลัพธ์ที่ไม่ถูกต้อง
กรณีการใช้งานทั่วไปคือการมีบันทึกของรูปร่าง [batchSize, numClasses] และมีป้ายกำกับของรูปร่าง [batchSize] แต่รองรับมิติที่สูงกว่า ซึ่งในกรณีนี้มิติ dim -th จะถือว่ามีขนาด numClasses logits ต้องมีTFloat16 , TFloat32 หรือ TFloat64 และ labels ต้องมี dtype เป็น TInt32 หรือ TInt64
พารามิเตอร์
| ขอบเขต | ขอบเขตปัจจุบัน |
|---|---|
| ฉลาก | Tensor ของรูปร่าง [d_0, d_1, ..., d_{r-1}] (โดยที่ r คืออันดับของ labels และผลลัพธ์) และ dataType คือ TInt32 หรือ TInt64 แต่ละรายการใน labels จะต้องเป็นดัชนีใน [0, numClasses) ค่าอื่นๆ จะเพิ่มข้อยกเว้นเมื่อ op นี้ทำงานบน CPU และส่งคืน NaN สำหรับแถวการสูญเสียและการไล่ระดับสีที่สอดคล้องกันบน GPU |
| บันทึก | การเปิดใช้งานตามป้ายกำกับ (โดยทั่วไปจะเป็นเอาต์พุตเชิงเส้น) ของรูปร่าง [d_0, d_1, ..., d_{r-1}, numClasses] และ dataType ของ TFloat16 , TFloat32 หรือ TFloat64 พลังงานกระตุ้นเหล่านี้ถูกตีความว่าเป็นความน่าจะเป็นของบันทึกที่ไม่ปกติ |
การส่งคืน
-
Tensorที่มีรูปร่างเดียวกันกับlabelsและเป็นประเภทเดียวกันกับlogitsที่มีการสูญเสียเอนโทรปีข้ามซอฟต์แม็กซ์
ขว้าง
| ข้อยกเว้นอาร์กิวเมนต์ที่ผิดกฎหมาย | หากบันทึกเป็นสเกลาร์ (ต้องมีอันดับ >= 1) หรือหากอันดับของป้ายกำกับไม่เท่ากับอันดับของบันทึกลบหนึ่ง |
|---|