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=∑(正确值×预测值)pos=\sum (正确值\times 预测值)pos=∑(正确值×预测值)
loss=max(neg−pos+1,0)loss = max(neg - pos + 1, 0)loss=max(neg−pos+1,0)
import tensorflow as tf
import numpy as np
y_true = np.random.randint(0, 3, size=(2,))
y_true = tf.keras.utils.to_categorical(y_true, num_classes=3)
y_pred = np.random.random(size=(2, 3))
loss = tf.keras.losses.categorical_hinge(y_true, y_pred)
assert loss.shape == (2,)
pos = np.sum(y_true * y_pred, axis=-1)
neg = np.amax((1. - y_true) * y_pred, axis=-1)
assert np.array_equal(loss.numpy(), np.maximum(0., neg - pos + 1.))
tf.keras.losses.categorical_hinge 分类铰链 损失函数 示例相关推荐
- 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.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 ...
- tf.keras.losses.CategoricalHinge 损失函数示例
import tensorflow as tf 铰链损失函数 它可用于"最大间隔(max-margin)"分类,其最著名的应用是作为SVM的损失函数. 二分类 多分类 y_true ...
- 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.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.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 ...
- tf.keras.losses.SparseCategoricalCrossentropy() 稀疏交叉熵 损失函数 示例
文章目录 计算公式 计算过程 tf.keras.losses.SparseCategoricalCrossentropy 实现 numpy 实现 import numpy as np import t ...
- 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 ...
最新文章
- 为什么说Transformer就是图神经网络?
- Docker 新网络 overlay 网络
- 【深度学习】循环神经网络(RNN)简易教程
- ExtJs 实现动态列,动态多表头 在这里添加日志标题
- SIP与RTP综合应用5-RTP解包过程
- OJ1158: 又是排序(指针专题)(C语言)
- projecteuler_2020更新:#ProjectEuler100和#AWSCertified挑战
- python unicodeencodeerror_Python发起请求提示UnicodeEncodeError错误代码解决方法
- 循环语句在c语言中的作用是什么,C语言中循环语句的使用
- 推荐一个PPT副业,日赚800-1000元
- JAVA版农历和阳历相互转换源码
- 看表空间大小,查询表空间名的表空间文件存放位置,矿展表空间,查看表空间名称...
- springboot集成ueditor百度富文本编辑器及上传图片到oss服务器
- 激光干涉仪测量五轴机床旋转轴精度的方法
- 如何申请试用MaxCompute 2.0
- 安徽计算机在职研究生学校,安徽在职研究生可以考哪几个学校
- Dcloud云函数服务空间
- funcode游戏实训,java及C/C++,网上整理
- 大鹏教你数据分析系列--运动员身材都是完美的吗
- head first java勘误_Head First Java勘误
热门文章
- 自动 Android* 应用测试
- Windows下有关NDK安装出现的问题的总结
- mysql的配置文件几个_mysql多实例(多个配置文件方式)
- python学习(一)-----数据结构和算法----序列和字典的基本用法
- php上传图文教程,PHP 上传图片、文件的方法
- 全网最简单的网络图画法,小白福音包学包会
- 高分文章精选 | 纳米孔宏基因组测序的表现
- 高级转录组分析和R数据可视化(2020.2,课程推迟,可先报名,时间另行告知)
- QIIME 2用户文档. 16纵向和成对样本比较q2-longitudinal(2019.7)
- R,Git和Github(下)