tf.keras.losses.BinaryFocalCrossentropy

Вычисляет потерю фокальной перекрестной энтропии между истинными метками и предсказаниями.

Наследуется от: Loss

tf.keras.losses.BinaryFocalCrossentropy(
    apply_class_balancing=False,
    alpha=0.25,
    gamma=2.0,
    from_logits=False,
    label_smoothing=0.0,
    axis=-1,
    reduction='sum_over_batch_size',
    name='binary_focal_crossentropy'
)

Потеря бинарной перекрестной энтропии часто используется 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. единственное число с плавающей точкой, которое либо представляет собой лог-относительную вероятность (т.е. значение в [-бесконечность, бесконечность] при from_logits=True), либо вероятность (т.е. значение в [0., 1.] при from_logits=False).

Согласно Lin et al., 2018, применение «фокального фактора» для уменьшения влияния легких примеров и фокусировки на сложных примерах полезно. По умолчанию фокальный тензор вычисляется следующим образом:

focal_factor = (1 - output) ** gamma для класса 1 focal_factor = output ** gamma для класса 0, где gamma — параметр фокусировки. Когда gamma=0, эта функция эквивалентна потере бинарной перекрестной энтропии.

Аргументы
`apply_class_balancing`	Булево значение, указывающее, применять ли балансировку весов для бинарных классов 0 и 1.
`alpha`	Фактор балансировки весов для класса 1, по умолчанию `0.25`, как указано в ссылке Lin et al., 2018. Вес для класса 0 — `1.0 - alpha`.
`gamma`	Параметр фокусировки, используемый для вычисления фокального фактора, по умолчанию `2.0`, как указано в ссылке Lin et al., 2018.
`from_logits`	Нужно ли интерпретировать `y_pred` как тензор значений лог-относительной вероятности. По умолчанию мы предполагаем, что `y_pred` — это вероятности (т.е. значения в `[0, 1]`).
`label_smoothing`	Число с плавающей точкой в `[0, 1]`. Когда `0`, сглаживание не выполняется. Когда > `0`, мы вычисляем потерю между предсказанными метками и сглаженным вариантом истинных меток, где сглаживание сжимает метки к `0.5`. Большие значения `label_smoothing` соответствуют более сильному сглаживанию.
`axis`	Ось, по которой вычисляется перекрестная 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:

С использованием API compile():

model.compile(
    loss=keras.losses.BinaryFocalCrossentropy(
        gamma=2.0, from_logits=True),
    ...
)

В качестве самостоятельной 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]
loss = keras.losses.BinaryFocalCrossentropy(
   gamma=2, from_logits=True)
loss(y_true, y_pred)
0.691

# Apply class weight
loss = keras.losses.BinaryFocalCrossentropy(
    apply_class_balancing=True, gamma=2, from_logits=True)
loss(y_true, y_pred)
0.51

# 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.
loss = keras.losses.BinaryFocalCrossentropy(
    gamma=3, from_logits=True)
loss(y_true, y_pred)
0.647

# Apply class weight
loss = keras.losses.BinaryFocalCrossentropy(
     apply_class_balancing=True, gamma=3, from_logits=True)
loss(y_true, y_pred)
0.482

# Using 'sample_weight' attribute with focal effect
loss = keras.losses.BinaryFocalCrossentropy(
    gamma=3, from_logits=True)
loss(y_true, y_pred, sample_weight=[0.8, 0.2])
0.133

# Apply class weight
loss = keras.losses.BinaryFocalCrossentropy(
     apply_class_balancing=True, gamma=3, from_logits=True)
loss(y_true, y_pred, sample_weight=[0.8, 0.2])
0.097

# Using 'sum' reduction` type.
loss = keras.losses.BinaryFocalCrossentropy(
    gamma=4, from_logits=True,
    reduction="sum")
loss(y_true, y_pred)
1.222

# Apply class weight
loss = keras.losses.BinaryFocalCrossentropy(
    apply_class_balancing=True, gamma=4, from_logits=True,
    reduction="sum")
loss(y_true, y_pred)
0.914

# Using 'none' reduction type.
loss = keras.losses.BinaryFocalCrossentropy(
    gamma=5, from_logits=True,
    reduction=None)
loss(y_true, y_pred)
array([0.0017 1.1561], dtype=float32)

# Apply class weight
loss = keras.losses.BinaryFocalCrossentropy(
    apply_class_balancing=True, gamma=5, from_logits=True,
    reduction=None)
loss(y_true, y_pred)
array([0.0004 0.8670], dtype=float32)

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/BinaryFocalCrossentropy