tf.keras.losses.SparseCategoricalCrossentropy

Вычисляет кроссэнтропийную потерю между метками и предсказаниями.

Наследуется от: Loss

tf.keras.losses.SparseCategoricalCrossentropy(
    from_logits=False,
    reduction=losses_utils.ReductionV2.AUTO,
    name='sparse_categorical_crossentropy'
)

Используйте эту функцию кроссэнтропийной потери, когда существует два или более классов меток. Мы ожидаем, что метки будут предоставлены в виде целых чисел. Если вы хотите предоставить метки, используя one-hot представление, пожалуйста, используйте CategoricalCrossentropy потерю. Должно быть # classes значений с плавающей точкой на признак для y_pred и одно значение с плавающей точкой на признак для y_true.

В примере ниже имеется одно значение с плавающей точкой на пример для y_true и # classes значений с плавающей точкой на пример для y_pred. Форма y_true равна [batch_size], а форма y_pred равна [batch_size, num_classes].

Использование в отдельном режиме:

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 = tf.keras.losses.SparseCategoricalCrossentropy()
scce(y_true, y_pred).numpy()
1.177

# Calling with 'sample_weight'.
scce(y_true, y_pred, sample_weight=tf.constant([0.3, 0.7])).numpy()
0.814

# Using 'sum' reduction type.
scce = tf.keras.losses.SparseCategoricalCrossentropy(
    reduction=tf.keras.losses.Reduction.SUM)
scce(y_true, y_pred).numpy()
2.354

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

Использование с API compile():

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

Методы

from_config

Просмотреть исходный код

@classmethod
from_config(
    config
)

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

get_config

Просмотреть исходный код

get_config()

Возвращает словарь конфигурации для экземпляра Loss.

__call__

Просмотреть исходный код

__call__(
    y_true, y_pred, sample_weight=None
)

Вызывает экземпляр Loss.