Python tf.compat.v1.losses.sigmoid_cross_entropy用法及代码示例

使用 tf.nn.sigmoid_cross_entropy_with_logits 创建 cross-entropy 损失。

用法

tf.compat.v1.losses.sigmoid_cross_entropy(
    multi_class_labels, logits, weights=1.0, label_smoothing=0, scope=None,
    loss_collection=tf.GraphKeys.LOSSES, reduction=Reduction.SUM_BY_NONZERO_WEIGHTS
)

参数

multi_class_labels [batch_size, num_classes] 中的目标整数标签 {0, 1} 。
logits Float [batch_size, num_classes] 记录网络的输出。
weights 可选Tensor，其秩为0，或与multi_class_labels相同的秩，并且必须可广播到multi_class_labels(即，所有维度必须是1，或与相应的losses维度相同) .
label_smoothing 如果大于 0 则平滑标签。
scope 在计算损失时执行的操作的范围。
loss_collection 将添加损失的集合。
reduction 适用于损失的减免类型。

加权损失 Tensor 与 logits 类型相同。如果 reduction 是 NONE ，则它的形状与 logits 相同；否则，它是标量。

抛出

ValueError 如果 logits 的形状与 multi_class_labels 的形状不匹配，或者如果 weights 的形状无效，或者如果 weights 为 None。此外，如果 multi_class_labels 或 logits 为无。

weights 作为损失的系数。如果提供了标量，则损失只是按给定值缩放。如果 weights 是形状为 [batch_size] 的张量，则损失权重适用于每个相应的样本。

如果 label_smoothing 不为零，则将标签平滑到 1/2：

new_multiclass_labels = multiclass_labels * (1 - label_smoothing)

                        + 0.5 * label_smoothing

eager模式兼容性

loss_collection 参数在即刻执行时被忽略。考虑保持返回值或通过 tf.keras.Model 收集损失。

相关用法

注：本文由纯净天空筛选整理自tensorflow.org大神的英文原创作品 tf.compat.v1.losses.sigmoid_cross_entropy。非经特殊声明，原始代码版权归原作者所有，本译文未经允许或授权，请勿转载或复制。