Python tf.compat.v1.losses.sigmoid_cross_entropy用法及代碼示例

使用 tf.nn.sigmoid_cross_entropy_with_logits 創建 cross-entropy 損失。

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
)

參數

multi_class_labels [batch_size, num_classes] 中的目標整數標簽 {0, 1} 。
logits Float [batch_size, num_classes] 記錄網絡的輸出。
weights 可選Tensor，其秩為0，或與multi_class_labels相同的秩，並且必須可廣播到multi_class_labels(即，所有維度必須是1，或與相應的losses維度相同) .
label_smoothing 如果大於 0 則平滑標簽。
scope 在計算損失時執行的操作的範圍。
loss_collection 將添加損失的集合。
reduction 適用於損失的減免類型。

加權損失 Tensor 與 logits 類型相同。如果 reduction 是 NONE ，則它的形狀與 logits 相同；否則，它是標量。

拋出

ValueError 如果 logits 的形狀與 multi_class_labels 的形狀不匹配，或者如果 weights 的形狀無效，或者如果 weights 為 None。此外，如果 multi_class_labels 或 logits 為無。

weights 作為損失的係數。如果提供了標量，則損失隻是按給定值縮放。如果 weights 是形狀為 [batch_size] 的張量，則損失權重適用於每個相應的樣本。

如果 label_smoothing 不為零，則將標簽平滑到 1/2：

new_multiclass_labels = multiclass_labels * (1 - label_smoothing)

                        + 0.5 * label_smoothing

eager模式兼容性

loss_collection 參數在即刻執行時被忽略。考慮保持返回值或通過 tf.keras.Model 收集損失。

相關用法

注：本文由純淨天空篩選整理自tensorflow.org大神的英文原創作品 tf.compat.v1.losses.sigmoid_cross_entropy。非經特殊聲明，原始代碼版權歸原作者所有，本譯文未經允許或授權，請勿轉載或複製。