tf.keras.losses.BinaryCrossentropy

Вычисляет функцию потерь кросс-энтропии между истинными и предсказанными метками.

Наследует от: Loss

tf.keras.losses.BinaryCrossentropy(
    from_logits=False,
    label_smoothing=0.0,
    axis=-1,
    reduction='sum_over_batch_size',
    name='binary_crossentropy'
)

Используется в блокнотах

Используется в руководстве	Используется в учебных пособиях
Распределённое обучение с TensorFlow Оценщики Перенос `tf.feature_column`s в слои предварительной обработки Keras Использование Counterfactual Logit Pairing с Keras	Загрузка DataFrame pandas Трансферное обучение и тонкая настройка Основы классификации текста Обучение с сервером параметров и ParameterServerStrategy CycleGAN

Используйте эту функцию потерь кросс-энтропии для задач бинарной классификации (0 или 1). Функции потерь требуются следующие входные данные:

y_true (истинная метка): это значение 0 или 1.
y_pred (предсказанное значение): предсказание модели, то есть одно значение с плавающей точкой, представляющее логит (то есть значение в диапазоне [-inf, inf], если from_logits=True) или вероятность (то есть значение в диапазоне [0., 1.], если from_logits=False).

Аргументы
`from_logits`	Следует ли интерпретировать `y_pred` как тензор значений логитов. По умолчанию предполагается, что `y_pred` — это вероятности (то есть значения в диапазоне [0, 1]).
`label_smoothing`	Число с плавающей точкой в диапазоне [0, 1]. При значении 0 сглаживание не выполняется. При значении > 0 функция потерь вычисляется между предсказанными метками и сглаженной версией истинных меток, при этом сглаживание приближает метки к 0.5. Чем больше значение `label_smoothing`, тем сильнее сглаживание.
`axis`	Ось, вдоль которой вычисляется кросс-энтропия (ось признаков). По умолчанию — `-1`.
`reduction`	Тип редукции, применяемой к функции потерь. Почти во всех случаях следует использовать `"sum_over_batch_size"`. Поддерживаются варианты `"sum"`, `"sum_over_batch_size"` или `None`.
`name`	Необязательное имя экземпляра функции потерь.

Примеры:

Рекомендуемое использование: (установите from_logits=True)

С API compile():

model.compile(
    loss=keras.losses.BinaryCrossentropy(from_logits=True),
    ...
)

В качестве отдельной функции:

# Example 1: (batch_size = 1, number of samples = 4)
y_true = [0, 1, 0, 0]
y_pred = [-18.6, 0.51, 2.94, -12.8]
bce = keras.losses.BinaryCrossentropy(from_logits=True)
bce(y_true, y_pred)
0.865

# Example 2: (batch_size = 2, number of samples = 4)
y_true = [[0, 1], [0, 0]]
y_pred = [[-18.6, 0.51], [2.94, -12.8]]
# Using default 'auto'/'sum_over_batch_size' reduction type.
bce = keras.losses.BinaryCrossentropy(from_logits=True)
bce(y_true, y_pred)
0.865
# Using 'sample_weight' attribute
bce(y_true, y_pred, sample_weight=[0.8, 0.2])
0.243
# Using 'sum' reduction` type.
bce = keras.losses.BinaryCrossentropy(from_logits=True,
    reduction="sum")
bce(y_true, y_pred)
1.730
# Using 'none' reduction type.
bce = keras.losses.BinaryCrossentropy(from_logits=True,
    reduction=None)
bce(y_true, y_pred)
array([0.235, 1.496], dtype=float32)

Использование по умолчанию: (установите from_logits=False)

# Make the following updates to the above "Recommended Usage" section
# 1. Set `from_logits=False`
keras.losses.BinaryCrossentropy() # OR ...('from_logits=False')
# 2. Update `y_pred` to use probabilities instead of logits
y_pred = [0.6, 0.3, 0.2, 0.8] # OR [[0.6, 0.3], [0.2, 0.8]]

Методы

`call`

Посмотреть исходный код

call(
    y_true, y_pred
)

`from_config`

Посмотреть исходный код

@classmethod
from_config(
    config
)

`get_config`

Посмотреть исходный код

get_config()

`call`

Посмотреть исходный код

__call__(
    y_true, y_pred, sample_weight=None
)

Вызывает self как функцию.

© 2022 The TensorFlow Authors. All rights reserved.
Licensed under the Creative Commons Attribution License 4.0.
Code samples licensed under the Apache 2.0 License.
https://www.tensorflow.org/api_docs/python/tf/keras/losses/BinaryCrossentropy