tf.keras.losses.BinaryCrossentropy

Вычисляет потерю кросс-энтропии между истинными метками и предсказанными метками.

Наследуется 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 ноутбуках

Используется в руководстве	Используется в учебниках
Распределенное обучение с TensorFlow Оцениватели Миграция `tf.feature_column` в слои предобработки Keras Использование Counterfactual Logit Pairing с Keras	Загрузка pandas DataFrame Перенос обучения и уточнение Базовая классификация текста Обучение с сервером параметров с ParameterServerStrategy CycleGAN

Используйте эту потерю кросс-энтропии для задач бинарной (0 или 1) классификации. Функция потерь требует следующих входных данных:

y_true (истинная метка): Это либо 0, либо 1.
y_pred (предсказанное значение): Это предсказание модели, т.е. одно число с плавающей точкой, которое либо представляет собой лог-коэффициент (т.е. значение в [-беск., +беск.] при from_logits=True) или вероятность (т.е. значение в [0, 1] при from_logits=False).

Аргументы
`from_logits`	Нужно ли интерпретировать `y_pred` как тензор значений лог-коэффициента. По умолчанию предполагается, что `y_pred` представляет вероятности (т.е. значения в [0, 1]).
`label_smoothing`	Число с плавающей точкой в диапазоне [0, 1]. При 0 сглаживание не происходит. При > 0 мы вычисляем потерю между предсказанными метками и сглаженным вариантом истинных меток, где сглаживание сжимает метки к 0,5. Более высокие значения `label_smoothing` соответствуют более сильному сглаживанию.
`axis`	Ось, по которой вычисляется кросс-энтропия (ось признаков). По умолчанию `-1`.
`reduction`	Тип редукции, применяемый к потере. Почти во всех случаях это должно быть `"sum_over_batch_size"`. Поддерживаемые варианты — `"sum"`, `"sum_over_batch_size"` или `None`.
`name`	Необязательное имя экземпляра потери.

Примеры:

Рекомендуемое использование: (установите from_logits=True)

С использованием API compile():

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

Как отдельную функцию:

# 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`

Просмотреть исходный код

call(
    y_true, y_pred
)

`from_config`

Просмотреть исходный код

@classmethod
from_config(
    config
)

`get_config`

Просмотреть исходный код

get_config()

`call`

Просмотреть исходный код

__call__(
    y_true, y_pred, sample_weight=None
)

Вызов self как функции.

© 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