TF2.0—tf.keras.losses.BinaryCrossentropy

文章目录

BinaryCrossentropy
实例

BinaryCrossentropy

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

描述

计算真实标签和预测标签之间的交叉熵损失
当只有两个标签类(假设为0和1)时，使用这个交叉熵损失。对于每个示例，每个预测都应该有一个浮点值

参数

from_logits
是否将y_pred解释为logit值的张量。
默认情况下，我们假设y_pred包含概率（即[0，1]中的值）

label_smoothing
浮点数在[0，1]中。
如果为0，则不会进行平滑处理。
当> 0时，我们将计算预测标签与真实标签的平滑版本之间的损失，其中平滑会将标签向0.5压缩。
label_smoothing的较大值对应于较重的平滑度

reduction
（可选）tf.keras.losses.reduction的类型，适用于损失。默认值为自动。
AUTO表示减少选项将由使用情况决定。

name
(可选)op的名称。默认为’ binary_crossenropy ’

调用的实例对象的参数

y_true ：真实值

y_pred ：预测值

sample_weight
可选的sample_weight用作损失的系数。
如果提供了标量，则损耗将简单地按给定值缩放。
如果sample_weight是大小[batch_size]的张量，则该批次的每个样本的总损失将由sample_weight向量中的相应元素重新缩放。
如果sample_weight的形状为[batch_size，d0，… dN-1]（或可以广播为该形状），则y_pred的每个损失元素将通过sample_weight的相应值进行缩放。

实例

独立使用

y_true = [[0., 1.], [0., 0.]]
y_pred = [[0.6, 0.4], [0.4, 0.6]]
# Using 'auto'/'sum_over_batch_size' reduction type.
bce = tf.keras.losses.BinaryCrossentropy()
bce(y_true, y_pred).numpy()
0.815# Calling with 'sample_weight'.
bce(y_true, y_pred, sample_weight=[1, 0]).numpy()
0.458

 # Using 'sum' reduction type.bce = tf.keras.losses.BinaryCrossentropy(reduction=tf.keras.losses.Reduction.SUM)bce(y_true, y_pred).numpy()1.630

# Using 'none' reduction type.
bce = tf.keras.losses.BinaryCrossentropy(reduction=tf.keras.losses.Reduction.NONE)
bce(y_true, y_pred).numpy()

如果对您有帮助，麻烦点赞关注，这真的对我很重要！！！如果需要互关，请评论留言！

TF2.0—tf.keras.losses.BinaryCrossentropy相关推荐

tf.keras.losses.BinaryCrossentropy 损失函数示例
import tensorflow as tf 计算真实标签和预测标签之间的交叉熵损失. 将此交叉熵损失用于二进制(0 或 1)分类应用程序.即2分类问题参数 y_true (真实标签):此值为 0 ...
TensorFlow tf.keras.losses.BinaryCrossentropy
cross-entropy loss L=−[ylogy^+(1−y)log(1−y^)]L=-[ylog\ \hat y+(1-y)log\ (1-\hat y)]L=−[ylog y^+(1−y ...
tf.keras.losses.CategoricalCrossentropy 多分类交叉熵损失函数示例
文章目录计算公式计算过程 tf.keras.losses.CategoricalCrossentropy 实现 numpy 实现 import numpy as np import tensorf ...
tensorflow tf.keras.losses.MeanSquaredError 均方差损失函数示例
import tensorflow as tf import numpy as np 公式 error=1m∑i=1m(xi−yi)2error = \frac{1}{m}\sum_{i=1}^{m} ...
tf.keras.losses.categorical_hinge 分类铰链损失函数示例
分类铰链预测值应为 {-1, +1} or {0, 1} neg=max((1−正确值)×预测值)neg=max((1-正确值)\times 预测值)neg=max((1−正确值)×预测值) pos ...
tf.keras.losses.KLDivergence KL散度损失函数示例
KL 散度 loss=正确值×log(正确值/预测值)loss = 正确值 \times log(正确值/预测值)loss=正确值×log(正确值/预测值) import tensorflow as ...
tf.keras.losses.SquaredHinge 损失函数示例
平方铰链 loss=(Max(1−正确值×预测值,0))2loss=(Max(1-正确值\times 预测值,0))^{2}loss=(Max(1−正确值×预测值,0))2 正确值应为 -1 或 1. ...
tf.keras.losses.Poisson 损失函数示例
泊松损失函数预测值为为 PPP ,真实值 TTT . poisson(P,T)=1n∑i=1n(Pi−Tilog(Pi))poisson(P,T)=\frac{1}{n}\sum_{i=1}^{n} ...
tf.keras.losses.MeanSquaredLogarithmicError 损失函数的用法
均方对数误差 error=1n∑i=1n(log(pi+1)−log(ai+1))2error = \frac{1}{n}\sum_{i=1}^{n}(log(p_{i}+1)-log(a_{i}+1 ...
tf.keras.losses.MeanAbsolutePercentageError 损失函数示例
平均绝对百分比误差 MAPE MAPE 是 MAD 的变形,它是一个百分比值,因此比其他统计量更容易理解.例如,如果 MAPE 为 5,则表示预测结果较真实结果平均偏离 5 %.MAPE 的计算公式如 ...

TF2.0—tf.keras.losses.BinaryCrossentropy

文章目录

BinaryCrossentropy

实例

TF2.0—tf.keras.losses.BinaryCrossentropy相关推荐

最新文章

热门文章