tf.keras.losses.CategoricalCrossentropy

Вычисляет потерю кроссэнтропии между метками и предсказаниями.

Наследует от: Loss

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

Используется в блокнотах

Используется в руководстве	Используется в учебных пособиях
Эффективный TensorFlow 2 Отладка перенесенной в TensorFlow 2 обучающейся модели	Пример атаки с использованием FGSM Переобучение классификатора изображений Реализация дифференциальной конфиденциальности с TensorFlow Privacy Оценка рисков конфиденциальности с помощью отчета TensorFlow Privacy Обучение на устройствах с TensorFlow Lite

Используется в руководстве

Используется в учебных пособиях

Используйте эту функцию потери кроссэнтропии, когда есть две или более классов меток. Мы ожидаем, что метки будут предоставлены в one_hot представлении. Если вы хотите предоставить метки как целые числа, используйте SparseCategoricalCrossentropy потерю. Должно быть num_classes численных значений на признак, т.е. форма как y_pred, так и y_true равна [batch_size, num_classes].

Аргументы
`from_logits`	Ожидается ли, что `y_pred` является тензором логарифмов. По умолчанию мы предполагаем, что `y_pred` кодирует распределение вероятностей.
`label_smoothing`	Вещественное число в интервале [0, 1]. При значении > 0 значения меток сглаживаются, что означает, что уверенность в значениях меток ослаблена. Например, если `0.1`, используйте `0.1 / num_classes` для меток, не относящихся к цели, и `0.9 + 0.1 / num_classes` для меток, относящихся к цели.
`axis`	Ось, вдоль которой вычисляется кроссэнтропия (ось признаков). По умолчанию равна `-1`.
`reduction`	Тип редукции, применяемый к потере. Практически во всех случаях это должно быть `"sum_over_batch_size"`. Поддерживаются варианты `"sum"`, `"sum_over_batch_size"` или `None`.
`name`	Необязательное имя экземпляра потери.

Примеры:

Использование самостоятельно:

y_true = [[0, 1, 0], [0, 0, 1]]
y_pred = [[0.05, 0.95, 0], [0.1, 0.8, 0.1]]
# Using 'auto'/'sum_over_batch_size' reduction type.
cce = keras.losses.CategoricalCrossentropy()
cce(y_true, y_pred)
1.177

# Calling with 'sample_weight'.
cce(y_true, y_pred, sample_weight=np.array([0.3, 0.7]))
0.814

# Using 'sum' reduction type.
cce = keras.losses.CategoricalCrossentropy(
    reduction="sum")
cce(y_true, y_pred)
2.354

# Using 'none' reduction type.
cce = keras.losses.CategoricalCrossentropy(
    reduction=None)
cce(y_true, y_pred)
array([0.0513, 2.303], dtype=float32)

Использование с API compile():

model.compile(optimizer='sgd',
              loss=keras.losses.CategoricalCrossentropy())

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/CategoricalCrossentropy