tf.keras.losses.SparseCategoricalCrossentropy

Вычисляет функцию потерь перекрёстной энтропии между метками и предсказаниями.

Наследует: Loss

tf.keras.losses.SparseCategoricalCrossentropy(
    from_logits=False,
    ignore_class=None,
    reduction='sum_over_batch_size',
    name='sparse_categorical_crossentropy'
)

Используется в блокнотах

Используется в руководстве	Используется в учебных материалах
Эффективный TensorFlow 2 Перенос механизма ранней остановки Перенос механизма отказоустойчивости Использование TPU tf.data: создание входных конвейеров TensorFlow	Загрузка текста Распределённое обучение с Keras Сегментация изображений Сохранение и загрузка модели с использованием стратегии распределения Классификация изображений

Используйте эту функцию потерь перекрёстной энтропии, если имеется два или более класса меток. Предполагается, что метки предоставляются в виде целых чисел. Если вы хотите предоставить метки в представлении one-hot, используйте функцию потерь CategoricalCrossentropy. Для y_pred должно быть # classes значений с плавающей точкой на признак, а для y_true — одно значение с плавающей точкой на признак.

В приведённом ниже фрагменте кода для y_true имеется одно значение с плавающей точкой на пример, а для y_pred — num_classes значений с плавающей точкой на пример. Форма y_true — [batch_size], а форма y_pred — [batch_size, num_classes].

Аргументы
`from_logits`	Ожидается ли, что `y_pred` будет тензором логитов. По умолчанию предполагается, что `y_pred` представляет распределение вероятностей.
`reduction`	Тип редукции, применяемой к функции потерь. Почти во всех случаях следует использовать `"sum_over_batch_size"`. Поддерживаются варианты `"sum"`, `"sum_over_batch_size"` и `None`.
`name`	Необязательное имя экземпляра функции потерь.

Примеры:

y_true = [1, 2]
y_pred = [[0.05, 0.95, 0], [0.1, 0.8, 0.1]]
# Using 'auto'/'sum_over_batch_size' reduction type.
scce = keras.losses.SparseCategoricalCrossentropy()
scce(y_true, y_pred)
1.177

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

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

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

Использование с API compile():

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

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 объект 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/SparseCategoricalCrossentropy