tf.keras.losses.BinaryCrossentropy

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

Просмотр псевдонимов

Псевдонимы для миграции

См. Руководство по миграции для получения дополнительных сведений.

tf.compat.v1.keras.losses.BinaryCrossentropy, `tf.compat.v2.keras.losses.BinaryCrossentropy`, `tf.compat.v2.losses.BinaryCrossentropy`

tf.keras.losses.BinaryCrossentropy(
    from_logits=False, label_smoothing=0, reduction=losses_utils.ReductionV2.AUTO,
    name='binary_crossentropy'
)

Используйте эту потерю кросс-энтропии, когда есть только два класса меток (предполагается, что это 0 и 1). Для каждого примера должно быть одно число с плавающей запятой на предсказание.

В фрагменте кода ниже каждый из четырех примеров имеет только одно число с плавающей запятой, и у y_pred и y_true форма [batch_size].

Использование:

bce = tf.keras.losses.BinaryCrossentropy()
loss = bce([0., 0., 1., 1.], [1., 1., 1., 0.])
print('Loss: ', loss.numpy())  # Loss: 11.522857

Использование с API tf.keras:

model = tf.keras.Model(inputs, outputs)
model.compile('sgd', loss=tf.keras.losses.BinaryCrossentropy())

Аргументы
`from_logits`	Следует ли интерпретировать `y_pred` как тензор значений логитов. По умолчанию предполагается, что `y_pred` содержит вероятности (т.е. значения в [0, 1]). Примечание: использование from_logits=True может быть более численно устойчивым.
`label_smoothing`	Число с плавающей точкой в [0, 1]. Когда 0, сглаживание не происходит. Когда > 0, мы вычисляем потерю между предсказанными метками и сглаженной версией истинных меток, где сглаживание сжимает метки к 0,5. Более высокие значения `label_smoothing` соответствуют более сильному сглаживанию.
`reduction`	(Необязательно) Тип `tf.keras.losses.Reduction` для применения к потере. Значение по умолчанию — `AUTO`. `AUTO` указывает, что опция уменьшения будет определяться контекстом использования. Почти во всех случаях это по умолчанию `SUM_OVER_BATCH_SIZE`. При использовании с `tf.distribute.Strategy` за пределами встроенных циклов обучения, таких как `tf.keras` `compile` и `fit`, использование `AUTO` или `SUM_OVER_BATCH_SIZE` приведет к ошибке. Пожалуйста, см. https://www.tensorflow.org/alpha/tutorials/distribute/training_loops для получения более подробной информации об этом.
`name`	(Необязательно) Название операции.

Методы

`from_config`

Просмотреть исходный код

@classmethod
from_config(
    config
)

Инициализирует экземпляр Loss из его конфигурации (выход get_config()).

Аргументы
`config`	Выход `get_config()`.

Возвращаемое значение
Экземпляр `Loss` .

`get_config`

Просмотреть исходный код

get_config()

`call`

Просмотреть исходный код

__call__(
    y_true, y_pred, sample_weight=None
)

Вызывает экземпляр Loss.

Аргументы
`y_true`	Значения целевой переменной. форма = `[batch_size, d0, .. dN]`
`y_pred`	Предсказанные значения. форма = `[batch_size, d0, .. dN]`
`sample_weight`	Необязательные `sample_weight` действуют как коэффициент для потери. Если предоставлен скаляр, то потеря просто масштабируется на заданное значение. Если `sample_weight` является тензором размера `[batch_size]`, то общая потеря для каждого примера в пакете масштабируется соответствующим элементом в векторе `sample_weight`. Если форма `sample_weight` является `[batch_size, d0, .. dN-1]` (или может быть отлита в эту форму), то каждый элемент потери `y_pred` масштабируется соответствующим значением `sample_weight`. (Примечание по `dN-1`: все функции потерь уменьшают размерность на 1, обычно осью -1.)

Возвращаемое значение
Весовая потеря с плавающей точкой `Tensor`. Если `reduction` имеет `NONE`, то у неё есть форма `[batch_size, d0, .. dN-1]`; в противном случае это скаляр. (Примечание `dN-1` потому что все функции потерь уменьшают размерность на 1, обычно по оси -1.)

Возможные исключения
`ValueError`	Если форма `sample_weight` недействительна.

© 2020 The TensorFlow Authors. All rights reserved.
Licensed under the Creative Commons Attribution License 3.0.
Code samples licensed under the Apache 2.0 License.
https://www.tensorflow.org/versions/r1.15/api_docs/python/tf/keras/losses/BinaryCrossentropy