tf.keras.metrics.SparseCategoricalCrossentropy

Вычисляет метрику кроссэнтропии между метками и прогнозами.

Наследуется от: MeanMetricWrapper, Mean, Metric, Layer, Module

tf.keras.metrics.SparseCategoricalCrossentropy(
    name='sparse_categorical_crossentropy',
    dtype=None,
    from_logits=False,
    axis=-1
)

Используйте эту метрику кроссэнтропии, когда есть две или более метки классов. Мы ожидаем, что метки будут предоставлены как целые числа. Если вы хотите предоставить метки с помощью one-hot представления, используйте метрику CategoricalCrossentropy. Должно быть # classes значений с плавающей запятой на признак для y_pred и одно значение с плавающей запятой на признак для y_true.

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

Использование автономно:

# y_true = one_hot(y_true) = [[0, 1, 0], [0, 0, 1]]
# logits = log(y_pred)
# softmax = exp(logits) / sum(exp(logits), axis=-1)
# softmax = [[0.05, 0.95, EPSILON], [0.1, 0.8, 0.1]]
# xent = -sum(y * log(softmax), 1)
# log(softmax) = [[-2.9957, -0.0513, -16.1181],
#                [-2.3026, -0.2231, -2.3026]]
# y_true * log(softmax) = [[0, -0.0513, 0], [0, 0, -2.3026]]
# xent = [0.0513, 2.3026]
# Reduced xent = (0.0513 + 2.3026) / 2
m = tf.keras.metrics.SparseCategoricalCrossentropy()
m.update_state([1, 2],
               [[0.05, 0.95, 0], [0.1, 0.8, 0.1]])
m.result().numpy()
1.1769392

m.reset_state()
m.update_state([1, 2],
               [[0.05, 0.95, 0], [0.1, 0.8, 0.1]],
               sample_weight=tf.constant([0.3, 0.7]))
m.result().numpy()
1.6271976

Использование с API compile():

model.compile(
  optimizer='sgd',
  loss='mse',
  metrics=[tf.keras.metrics.SparseCategoricalCrossentropy()])

Методы

merge_state

Просмотреть исходный код

merge_state(
    metrics
)

Объединяет состояние из одной или нескольких метрик.

Этот метод может использоваться распределёнными системами для объединения состояния, вычисленного различными экземплярами метрик. Обычно состояние хранится в виде весов метрики. Например, метрика tf.keras.metrics.Mean содержит список двух значений весов: сумму и счёт. Если бы существовали два экземпляра tf.keras.metrics.Accuracy, которые каждый независимо агрегировали частичное состояние для расчёта общей точности, состояния этих двух метрик можно было бы объединить следующим образом:

m1 = tf.keras.metrics.Accuracy()
_ = m1.update_state([[1], [2]], [[0], [2]])

m2 = tf.keras.metrics.Accuracy()
_ = m2.update_state([[3], [4]], [[3], [4]])

m2.merge_state([m1])
m2.result().numpy()
0.75

reset_state

Просмотреть исходный код

reset_state()

Сбрасывает все переменные состояния метрики.

Эта функция вызывается между эпохами/шагами, когда метрика оценивается во время обучения.

result

Просмотреть исходный код

result()

Вычисляет и возвращает скалярное значение метрики или словарь скаляров.

Вычисление результата — это идемпотентная операция, которая просто вычисляет значение метрики с помощью переменных состояния.

update_state

Просмотреть исходный код

update_state(
    y_true, y_pred, sample_weight=None
)

Накапливает статистику метрики.

Для метрик с разреженной категоризацией формы y_true и y_pred отличаются.