tf.keras.losses.Poisson
| Просмотреть исходный код на GitHub |
Вычисляет поассоновскую потерю между y_true и y_pred.
Наследуется от: Loss
tf.keras.losses.Poisson(
reduction=losses_utils.ReductionV2.AUTO, name='poisson'
)
loss = y_pred - y_true * log(y_pred)
Использование в автономном режиме:
y_true = [[0., 1.], [0., 0.]] y_pred = [[1., 1.], [0., 0.]] # Using 'auto'/'sum_over_batch_size' reduction type. p = tf.keras.losses.Poisson() p(y_true, y_pred).numpy() 0.5
# Calling with 'sample_weight'. p(y_true, y_pred, sample_weight=[0.8, 0.2]).numpy() 0.4
# Using 'sum' reduction type.
p = tf.keras.losses.Poisson(
reduction=tf.keras.losses.Reduction.SUM)
p(y_true, y_pred).numpy()
0.999
# Using 'none' reduction type.
p = tf.keras.losses.Poisson(
reduction=tf.keras.losses.Reduction.NONE)
p(y_true, y_pred).numpy()
array([0.999, 0.], dtype=float32)
Использование с API compile():
model.compile(optimizer='sgd', loss=tf.keras.losses.Poisson())
| Аргументы | |
|---|---|
reduction | (Необязательно) Тип tf.keras.losses.Reduction для применения к потере. Значение по умолчанию — AUTO. AUTO указывает, что параметр уменьшения будет определяться контекстом использования. В почти всех случаях по умолчанию установлено значение SUM_OVER_BATCH_SIZE. При использовании с tf.distribute.Strategy вне встроенных циклов обучения, таких как tf.keras compile и fit, использование AUTO или SUM_OVER_BATCH_SIZE приведет к ошибке. Для получения дополнительной информации см. этот учебник по настройке обучения по ссылке. |
name | Необязательное имя для операции. По умолчанию 'poisson'. |
Методы
from_config
@classmethod
from_config(
config
)
Инициализирует Loss из его конфигурации (выход get_config()).
| Аргументы | |
|---|---|
config | Выход get_config(). |
| Возвращаемое значение | |
|---|---|
Экземпляр Loss . |
get_config
get_config()
Возвращает словарь конфигурации для экземпляра Loss.
__call__
__call__(
y_true, y_pred, sample_weight=None
)
Вызывает экземпляр Loss.
| Аргументы | |
|---|---|
y_true | Значения целевого выхода. Формат = [batch_size, d0, .. dN], за исключением функций потерь со спарсной функцией, например, sparse categorical crossentropy, где формат = [batch_size, d0, .. dN-1] |
y_pred | Предсказанные значения. Формат = [batch_size, d0, .. dN] |
sample_weight | Необязательный sample_weight выступает в качестве коэффициента для потери. Если задано скалярное значение, то потеря просто масштабируется на заданное значение. Если sample_weight является тензором размера [batch_size], то полная потеря для каждого образца пакета масштабируется соответствующим элементом в векторе sample_weight. Если форма sample_weight имеет вид [batch_size, d0, .. dN-1] (или может быть масштабирована до этого вида), то каждый элемент потери y_pred масштабируется соответствующим значением из sample_weight. (Примечание по dN-1: все функции потерь уменьшают размерность на 1, обычно по оси -1.) |
| Возвращаемое значение | |
|---|---|
Весовая потеря float Tensor. Если reduction имеет вид NONE, она имеет форму [batch_size, d0, .. dN-1]; в противном случае она является скалярной. (Примечание dN-1 потому что все функции потерь уменьшают размерность на 1, обычно по оси -1.) |
| Возможные исключения | |
|---|---|
ValueError | Если форма sample_weight недопустима. |
© 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/r2.4/api_docs/python/tf/keras/losses/Poisson