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 ...

tf.keras.losses.categorical_hinge 分类铰链损失函数示例

分类铰链

tf.keras.losses.categorical_hinge 分类铰链损失函数示例相关推荐

最新文章

热门文章

tf.keras.losses.categorical_hinge 分类铰链 损失函数 示例

分类铰链

tf.keras.losses.categorical_hinge 分类铰链 损失函数 示例相关推荐

最新文章

热门文章

tf.keras.losses.categorical_hinge 分类铰链损失函数示例

tf.keras.losses.categorical_hinge 分类铰链损失函数示例相关推荐