tf.keras.losses.CategoricalCrossentropy

Вычисляет функцию потерь кросс-энтропии между метками и предсказаниями.

Наследуется 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 материалах
Эффективное использование TensorFlow 2 Отладка конвейера обучения, перенесённого на TensorFlow 2	Состязательный пример с использованием FGSM Повторное обучение классификатора изображений Реализация дифференциальной приватности с помощью TensorFlow Privacy Оценка рисков для конфиденциальности с помощью отчёта TensorFlow Privacy Обучение на устройстве с TensorFlow Lite

Используется в руководстве

Используется в учебных материалах

Используйте эту функцию потерь кросс-энтропии, если имеется два или более класса меток. Предполагается, что метки представлены в формате one_hot. Чтобы передать метки в виде целых чисел, используйте функцию потерь SparseCategoricalCrossentropy. Для каждого признака должно быть num_classes значений с плавающей запятой, то есть форма обоих y_pred и y_true — [batch_size, num_classes].

Аргументы
`from_logits`	Ожидается ли, что `y_pred` будет тензором логитов. По умолчанию предполагается, что `y_pred` кодирует распределение вероятностей.
`label_smoothing`	Число с плавающей запятой в диапазоне [0, 1]. Если значение > 0, значения меток сглаживаются, то есть уверенность в значениях меток снижается. Например, если `0.1`, используйте `0.1 / num_classes` для меток нецелевых классов и `0.9 + 0.1 / num_classes` для меток целевых классов.
`axis`	Ось, вдоль которой вычисляется кросс-энтропия (ось признаков). По умолчанию — `-1`.
`reduction`	Тип редукции, применяемой к функции потерь. Почти во всех случаях здесь следует указывать `"sum_over_batch_size"`. Поддерживаются варианты `"sum"`, `"sum_over_batch_size"` и `None`.
`name`	Необязательное имя экземпляра функции потерь.

Примеры:

Использование отдельно:

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 объекта 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