概率损失

`BinaryCrossentropy` 类

keras.losses.BinaryCrossentropy(
    from_logits=False,
    label_smoothing=0.0,
    axis=-1,
    reduction="sum_over_batch_size",
    name="binary_crossentropy",
    dtype=None,
)

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元（0 或 1）分类应用。损失函数需要以下输入

y_true（真实标签）：此值为 0 或 1。
y_pred（预测值）：这是模型的预测值，即单个浮点值，表示 logit（即，当 from_logits=True 时，值在 [-inf, inf] 中），或表示概率（即，当 from_logits=False 时，值在 [0., 1.] 中）。

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 是概率（即，[0, 1] 中的值）。
label_smoothing：范围在 [0, 1] 内的浮点数。当为 0 时，不进行平滑处理。当 > 0 时，我们计算预测标签与真实标签的平滑版本之间的损失，其中平滑处理会将标签挤向 0.5。label_smoothing 的值越大，平滑处理越重。
axis：计算交叉熵的轴（特征轴）。默认值为 -1。
reduction：要应用于损失的减少类型。在几乎所有情况下，这都应该是 "sum_over_batch_size"。支持的选项为 "sum"、"sum_over_batch_size" 或 None。
name：损失实例的可选名称。
dtype：损失计算的 dtype。默认值为 None，这意味着使用 keras.backend.floatx()。keras.backend.floatx() 为 "float32"，除非设置为不同的值（通过 keras.backend.set_floatx()）。如果提供了 keras.DTypePolicy，则将使用 compute_dtype。

示例

推荐用法：（设置 from_logits=True）

使用 compile() API

model.compile(
    loss=keras.losses.BinaryCrossentropy(from_logits=True),
    ...
)

作为独立函数

>>> # Example 1: (batch_size = 1, number of samples = 4)
>>> y_true = np.array([0, 1, 0, 0])
>>> y_pred = np.array([-18.6, 0.51, 2.94, -12.8])
>>> bce = keras.losses.BinaryCrossentropy(from_logits=True)
>>> bce(y_true, y_pred)
0.8654

>>> # Example 2: (batch_size = 2, number of samples = 4)
>>> y_true = np.array([[0, 1], [0, 0]])
>>> y_pred = np.array([[-18.6, 0.51], [2.94, -12.8]])
>>> # Using default 'auto'/'sum_over_batch_size' reduction type.
>>> bce = keras.losses.BinaryCrossentropy(from_logits=True)
>>> bce(y_true, y_pred)
0.8654
>>> # Using 'sample_weight' attribute
>>> bce(y_true, y_pred, sample_weight=[0.8, 0.2])
0.243
>>> # Using 'sum' reduction` type.
>>> bce = keras.losses.BinaryCrossentropy(from_logits=True,
...     reduction="sum")
>>> bce(y_true, y_pred)
1.730
>>> # Using 'none' reduction type.
>>> bce = keras.losses.BinaryCrossentropy(from_logits=True,
...     reduction=None)
>>> bce(y_true, y_pred)
array([0.235, 1.496], dtype=float32)

默认用法：（设置 from_logits=False）

>>> # Make the following updates to the above "Recommended Usage" section
>>> # 1. Set `from_logits=False`
>>> keras.losses.BinaryCrossentropy() # OR ...('from_logits=False')
>>> # 2. Update `y_pred` to use probabilities instead of logits
>>> y_pred = [0.6, 0.3, 0.2, 0.8] # OR [[0.6, 0.3], [0.2, 0.8]]

[来源]

`BinaryFocalCrossentropy` 类

keras.losses.BinaryFocalCrossentropy(
    apply_class_balancing=False,
    alpha=0.25,
    gamma=2.0,
    from_logits=False,
    label_smoothing=0.0,
    axis=-1,
    reduction="sum_over_batch_size",
    name="binary_focal_crossentropy",
    dtype=None,
)

计算真实标签和预测值之间的焦点交叉熵损失。

二元交叉熵损失通常用于二元（0 或 1）分类任务。损失函数需要以下输入

y_true（真实标签）：此值为 0 或 1。
y_pred（预测值）：这是模型的预测值，即单个浮点值，表示 logit（即，当 from_logits=True 时，值在 [-inf, inf] 中），或表示概率（即，当 from_logits=False 时，值在 [0., 1.] 中）。

根据 Lin 等人，2018 年的说法，它有助于应用“焦点因子”来降低简单示例的权重，并将更多重点放在困难示例上。默认情况下，焦点张量按如下方式计算

对于类别 1，focal_factor = (1 - output) ** gamma；对于类别 0，focal_factor = output ** gamma，其中 gamma 是一个聚焦参数。当 gamma=0 时，此函数等效于二元交叉熵损失。

参数

apply_class_balancing：一个布尔值，指示是否对二元类别 0 和 1 应用权重平衡。
alpha：类别 1 的权重平衡因子，默认为 0.25，如参考资料 Lin 等人，2018 年中所述。类别 0 的权重为 1.0 - alpha。
gamma：用于计算焦点因子的聚焦参数，默认为 2.0，如参考资料 Lin 等人，2018 年中所述。
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 是概率（即，[0, 1] 中的值）。
label_smoothing：[0, 1] 中的浮点数。当为 0 时，不进行平滑处理。当 > 0 时，我们计算预测标签与真实标签的平滑版本之间的损失，其中平滑处理会将标签挤向 0.5。label_smoothing 的值越大，平滑处理越重。
axis：计算交叉熵的轴（特征轴）。默认值为 -1。
reduction：要应用于损失的减少类型。在几乎所有情况下，这都应该是 "sum_over_batch_size"。支持的选项为 "sum"、"sum_over_batch_size" 或 None。
name：损失实例的可选名称。
dtype：损失计算的 dtype。默认值为 None，这意味着使用 keras.backend.floatx()。keras.backend.floatx() 为 "float32"，除非设置为不同的值（通过 keras.backend.set_floatx()）。如果提供了 keras.DTypePolicy，则将使用 compute_dtype。

示例

使用 compile() API

model.compile(
    loss=keras.losses.BinaryFocalCrossentropy(
        gamma=2.0, from_logits=True),
    ...
)

作为独立函数

>>> # Example 1: (batch_size = 1, number of samples = 4)
>>> y_true = [0, 1, 0, 0]
>>> y_pred = [-18.6, 0.51, 2.94, -12.8]
>>> loss = keras.losses.BinaryFocalCrossentropy(
...    gamma=2, from_logits=True)
>>> loss(y_true, y_pred)
0.691

>>> # Apply class weight
>>> loss = keras.losses.BinaryFocalCrossentropy(
...     apply_class_balancing=True, gamma=2, from_logits=True)
>>> loss(y_true, y_pred)
0.51

>>> # Example 2: (batch_size = 2, number of samples = 4)
>>> y_true = [[0, 1], [0, 0]]
>>> y_pred = [[-18.6, 0.51], [2.94, -12.8]]
>>> # Using default 'auto'/'sum_over_batch_size' reduction type.
>>> loss = keras.losses.BinaryFocalCrossentropy(
...     gamma=3, from_logits=True)
>>> loss(y_true, y_pred)
0.647

>>> # Apply class weight
>>> loss = keras.losses.BinaryFocalCrossentropy(
...      apply_class_balancing=True, gamma=3, from_logits=True)
>>> loss(y_true, y_pred)
0.482

>>> # Using 'sample_weight' attribute with focal effect
>>> loss = keras.losses.BinaryFocalCrossentropy(
...     gamma=3, from_logits=True)
>>> loss(y_true, y_pred, sample_weight=[0.8, 0.2])
0.133

>>> # Apply class weight
>>> loss = keras.losses.BinaryFocalCrossentropy(
...      apply_class_balancing=True, gamma=3, from_logits=True)
>>> loss(y_true, y_pred, sample_weight=[0.8, 0.2])
0.097

>>> # Using 'sum' reduction` type.
>>> loss = keras.losses.BinaryFocalCrossentropy(
...     gamma=4, from_logits=True,
...     reduction="sum")
>>> loss(y_true, y_pred)
1.222

>>> # Apply class weight
>>> loss = keras.losses.BinaryFocalCrossentropy(
...     apply_class_balancing=True, gamma=4, from_logits=True,
...     reduction="sum")
>>> loss(y_true, y_pred)
0.914

>>> # Using 'none' reduction type.
>>> loss = keras.losses.BinaryFocalCrossentropy(
...     gamma=5, from_logits=True,
...     reduction=None)
>>> loss(y_true, y_pred)
array([0.0017 1.1561], dtype=float32)

>>> # Apply class weight
>>> loss = keras.losses.BinaryFocalCrossentropy(
...     apply_class_balancing=True, gamma=5, from_logits=True,
...     reduction=None)
>>> loss(y_true, y_pred)
array([0.0004 0.8670], dtype=float32)

[来源]

`CategoricalCrossentropy` 类

keras.losses.CategoricalCrossentropy(
    from_logits=False,
    label_smoothing=0.0,
    axis=-1,
    reduction="sum_over_batch_size",
    name="categorical_crossentropy",
    dtype=None,
)

计算标签和预测之间的交叉熵损失。

当有两个或多个标签类别时，使用此交叉熵损失函数。我们希望标签以 one_hot 表示形式提供。如果要将标签作为整数提供，请使用 SparseCategoricalCrossentropy 损失。每个特征应有 num_classes 个浮点值，即 y_pred 和 y_true 的形状都为 [batch_size, num_classes]。

参数

from_logits：是否期望 y_pred 是 logits 张量。默认情况下，我们假设 y_pred 编码了概率分布。
label_smoothing：[0, 1] 中的浮点数。当 > 0 时，会平滑标签值，这意味着对标签值的置信度会放宽。例如，如果为 0.1，则对非目标标签使用 0.1 / num_classes，对目标标签使用 0.9 + 0.1 / num_classes。
axis：计算交叉熵的轴（特征轴）。默认值为 -1。
reduction：要应用于损失的减少类型。在几乎所有情况下，这都应该是 "sum_over_batch_size"。支持的选项为 "sum"、"sum_over_batch_size" 或 None。
name：损失实例的可选名称。
dtype：损失计算的 dtype。默认值为 None，这意味着使用 keras.backend.floatx()。keras.backend.floatx() 为 "float32"，除非设置为不同的值（通过 keras.backend.set_floatx()）。如果提供了 keras.DTypePolicy，则将使用 compute_dtype。

示例

独立使用

>>> y_true = [[0, 1, 0], [0, 0, 1]]
>>> y_pred = [[0.05, 0.95, 0], [0.1, 0.8, 0.1]]
>>> # Using 'auto'/'sum_over_batch_size' reduction type.
>>> cce = keras.losses.CategoricalCrossentropy()
>>> cce(y_true, y_pred)
1.177

>>> # Calling with 'sample_weight'.
>>> cce(y_true, y_pred, sample_weight=np.array([0.3, 0.7]))
0.814

>>> # Using 'sum' reduction type.
>>> cce = keras.losses.CategoricalCrossentropy(
...     reduction="sum")
>>> cce(y_true, y_pred)
2.354

>>> # Using 'none' reduction type.
>>> cce = keras.losses.CategoricalCrossentropy(
...     reduction=None)
>>> cce(y_true, y_pred)
array([0.0513, 2.303], dtype=float32)

使用 compile() API

model.compile(optimizer='sgd',
              loss=keras.losses.CategoricalCrossentropy())

[来源]

`CategoricalFocalCrossentropy` 类

keras.losses.CategoricalFocalCrossentropy(
    alpha=0.25,
    gamma=2.0,
    from_logits=False,
    label_smoothing=0.0,
    axis=-1,
    reduction="sum_over_batch_size",
    name="categorical_focal_crossentropy",
    dtype=None,
)

计算 alpha 平衡的焦点交叉熵损失。

当有两个或多个标签类别，并且希望在不使用 class_weights 的情况下处理类别不平衡时，使用此交叉熵损失函数。我们希望标签以 one_hot 表示形式提供。

根据 Lin 等人，2018 年的说法，它有助于应用焦点因子来降低简单示例的权重，并将更多重点放在困难示例上。焦点损失 (FL) 的通用公式如下

FL(p_t) = (1 - p_t) ** gamma * log(p_t)

其中 p_t 定义如下：p_t = output if y_true == 1, else 1 - output

(1 - p_t) ** gamma 是 modulating_factor，其中 gamma 是一个聚焦参数。当 gamma = 0 时，对交叉熵没有焦点效应。gamma 以平滑的方式降低了对简单示例的重视程度。

作者在论文中使用了焦点损失 (FL) 的 alpha 平衡变体：FL(p_t) = -alpha * (1 - p_t) ** gamma * log(p_t)

其中 alpha 是各类的权重因子。如果 alpha = 1，则损失将无法正确处理类别不平衡，因为所有类别将具有相同的权重。这可以是常数或常数列表。如果 alpha 是列表，则其长度必须与类别数量相同。

上面的公式可以推广为：FL(p_t) = alpha * (1 - p_t) ** gamma * CrossEntropy(y_true, y_pred)

其中减号来自 CrossEntropy(y_true, y_pred) (CE)。

将其扩展到多类情况很简单：FL(p_t) = alpha * (1 - p_t) ** gamma * CategoricalCE(y_true, y_pred)

在下面的代码片段中，每个示例有 num_classes 个浮点值。y_pred 和 y_true 的形状都为 (batch_size, num_classes)。

参数

alpha：所有类别的权重平衡因子，默认为 0.25，如参考资料中所述。它可以是浮点数列表或标量。在多类情况下，alpha 可以通过使用 sklearn.utils 中的 compute_class_weight 来按逆类别频率设置。
gamma：一个聚焦参数，默认为 2.0，如参考资料中所述。它有助于以平滑的方式逐渐降低对简单（容易）示例的重视程度。
from_logits：是否期望 output 是 logits 张量。默认情况下，我们认为 output 编码了概率分布。
label_smoothing：[0, 1] 中的浮点数。当 > 0 时，会平滑标签值，这意味着对标签值的置信度会放宽。例如，如果为 0.1，则对非目标标签使用 0.1 / num_classes，对目标标签使用 0.9 + 0.1 / num_classes。
axis：计算交叉熵的轴（特征轴）。默认值为 -1。
reduction：要应用于损失的减少类型。在几乎所有情况下，这都应该是 "sum_over_batch_size"。支持的选项为 "sum"、"sum_over_batch_size" 或 None。
name：损失实例的可选名称。
dtype：损失计算的 dtype。默认值为 None，这意味着使用 keras.backend.floatx()。keras.backend.floatx() 为 "float32"，除非设置为不同的值（通过 keras.backend.set_floatx()）。如果提供了 keras.DTypePolicy，则将使用 compute_dtype。

示例

独立使用

>>> y_true = [[0., 1., 0.], [0., 0., 1.]]
>>> y_pred = [[0.05, 0.95, 0], [0.1, 0.8, 0.1]]
>>> # Using 'auto'/'sum_over_batch_size' reduction type.
>>> cce = keras.losses.CategoricalFocalCrossentropy()
>>> cce(y_true, y_pred)
0.23315276

>>> # Calling with 'sample_weight'.
>>> cce(y_true, y_pred, sample_weight=np.array([0.3, 0.7]))
0.1632

>>> # Using 'sum' reduction type.
>>> cce = keras.losses.CategoricalFocalCrossentropy(
...     reduction="sum")
>>> cce(y_true, y_pred)
0.46631

>>> # Using 'none' reduction type.
>>> cce = keras.losses.CategoricalFocalCrossentropy(
...     reduction=None)
>>> cce(y_true, y_pred)
array([3.2058331e-05, 4.6627346e-01], dtype=float32)

使用 compile() API

model.compile(optimizer='adam',
              loss=keras.losses.CategoricalFocalCrossentropy())

[来源]

`SparseCategoricalCrossentropy` 类

keras.losses.SparseCategoricalCrossentropy(
    from_logits=False,
    ignore_class=None,
    reduction="sum_over_batch_size",
    name="sparse_categorical_crossentropy",
    dtype=None,
)

计算标签和预测之间的交叉熵损失。

当有两个或多个标签类别时，使用此交叉熵损失函数。我们希望标签作为整数提供。如果要使用 one-hot 表示形式提供标签，请使用 CategoricalCrossentropy 损失。y_pred 每个特征应有 # 类别 个浮点值，y_true 每个特征应有单个浮点值。

在下面的代码片段中，y_true 每个示例有单个浮点值，y_pred 每个示例有 num_classes 个浮点值。y_true 的形状为 [batch_size]，y_pred 的形状为 [batch_size, num_classes]。

参数

from_logits：是否期望 y_pred 是 logits 张量。默认情况下，我们假设 y_pred 编码了概率分布。
reduction：要应用于损失的减少类型。在几乎所有情况下，这都应该是 "sum_over_batch_size"。支持的选项为 "sum"、"sum_over_batch_size" 或 None。
name：损失实例的可选名称。
dtype：损失计算的 dtype。默认值为 None，这意味着使用 keras.backend.floatx()。keras.backend.floatx() 为 "float32"，除非设置为不同的值（通过 keras.backend.set_floatx()）。如果提供了 keras.DTypePolicy，则将使用 compute_dtype。

示例

>>> y_true = [1, 2]
>>> y_pred = [[0.05, 0.95, 0], [0.1, 0.8, 0.1]]
>>> # Using 'auto'/'sum_over_batch_size' reduction type.
>>> scce = keras.losses.SparseCategoricalCrossentropy()
>>> scce(y_true, y_pred)
1.177

>>> # Calling with 'sample_weight'.
>>> scce(y_true, y_pred, sample_weight=np.array([0.3, 0.7]))
0.814

>>> # Using 'sum' reduction type.
>>> scce = keras.losses.SparseCategoricalCrossentropy(
...     reduction="sum")
>>> scce(y_true, y_pred)
2.354

>>> # Using 'none' reduction type.
>>> scce = keras.losses.SparseCategoricalCrossentropy(
...     reduction=None)
>>> scce(y_true, y_pred)
array([0.0513, 2.303], dtype=float32)

使用 compile() API

model.compile(optimizer='sgd',
              loss=keras.losses.SparseCategoricalCrossentropy())

[来源]

`Poisson` 类

keras.losses.Poisson(reduction="sum_over_batch_size", name="poisson", dtype=None)

计算 y_true 和 y_pred 之间的泊松损失。

公式

loss = y_pred - y_true * log(y_pred)

参数

reduction：要应用于损失的减少类型。在几乎所有情况下，这都应该是 "sum_over_batch_size"。支持的选项为 "sum"、"sum_over_batch_size" 或 None。
name：损失实例的可选名称。
dtype：损失计算的 dtype。默认值为 None，这意味着使用 keras.backend.floatx()。keras.backend.floatx() 为 "float32"，除非设置为不同的值（通过 keras.backend.set_floatx()）。如果提供了 keras.DTypePolicy，则将使用 compute_dtype。

[来源]

`CTC` 类

keras.losses.CTC(reduction="sum_over_batch_size", name="ctc", dtype=None)

CTC（连接时序分类）损失。

参数

reduction：要应用于损失的减少类型。在几乎所有情况下，这都应该是 "sum_over_batch_size"。支持的选项为 "sum"、"sum_over_batch_size" 或 None。
name：损失实例的可选名称。
dtype：损失计算的 dtype。默认值为 None，这意味着使用 keras.backend.floatx()。keras.backend.floatx() 为 "float32"，除非设置为不同的值（通过 keras.backend.set_floatx()）。如果提供了 keras.DTypePolicy，则将使用 compute_dtype。

[来源]

`KLDivergence` 类

keras.losses.KLDivergence(
    reduction="sum_over_batch_size", name="kl_divergence", dtype=None
)

计算 y_true 和 y_pred 之间的 Kullback-Leibler 散度损失。

公式

loss = y_true * log(y_true / y_pred)

预期 y_true 和 y_pred 是概率分布，其值在 0 到 1 之间。它们将被裁剪到 [0, 1] 范围内。

参数

reduction：要应用于损失的减少类型。在几乎所有情况下，这都应该是 "sum_over_batch_size"。支持的选项为 "sum"、"sum_over_batch_size" 或 None。
name：损失实例的可选名称。
dtype：损失计算的 dtype。默认值为 None，这意味着使用 keras.backend.floatx()。keras.backend.floatx() 为 "float32"，除非设置为不同的值（通过 keras.backend.set_floatx()）。如果提供了 keras.DTypePolicy，则将使用 compute_dtype。

[来源]

`binary_crossentropy` 函数

keras.losses.binary_crossentropy(
    y_true, y_pred, from_logits=False, label_smoothing=0.0, axis=-1
)

计算二元交叉熵损失。

参数

y_true：地面真实值。形状 = [batch_size, d0, .. dN]。
y_pred：预测值。形状 = [batch_size, d0, .. dN]。
from_logits：是否期望 y_pred 是 logits 张量。默认情况下，我们假设 y_pred 编码了概率分布。
label_smoothing：[0, 1] 中的浮点数。如果 > 0，则通过将标签挤向 0.5 来平滑标签，即对目标类别使用 1. - 0.5 * label_smoothing，对非目标类别使用 0.5 * label_smoothing。
axis：计算均值的轴。默认值为 -1。

返回值

二元交叉熵损失值。形状 = [batch_size, d0, .. dN-1]。

示例

>>> y_true = [[0, 1], [0, 0]]
>>> y_pred = [[0.6, 0.4], [0.4, 0.6]]
>>> loss = keras.losses.binary_crossentropy(y_true, y_pred)
>>> assert loss.shape == (2,)
>>> loss
array([0.916 , 0.714], dtype=float32)

[来源]

`categorical_crossentropy` 函数

keras.losses.categorical_crossentropy(
    y_true, y_pred, from_logits=False, label_smoothing=0.0, axis=-1
)

计算分类交叉熵损失。

参数

y_true：one-hot 真实目标的张量。
y_pred：预测目标的张量。
from_logits：是否期望 y_pred 是 logits 张量。默认情况下，我们假设 y_pred 编码了概率分布。
label_smoothing：[0, 1] 中的浮点数。如果 > 0，则平滑标签。例如，如果为 0.1，则对非目标标签使用 0.1 / num_classes，对目标标签使用 0.9 + 0.1 / num_classes。
axis：默认值为 -1。计算熵的维度。

返回值

分类交叉熵损失值。

示例

>>> y_true = [[0, 1, 0], [0, 0, 1]]
>>> y_pred = [[0.05, 0.95, 0], [0.1, 0.8, 0.1]]
>>> loss = keras.losses.categorical_crossentropy(y_true, y_pred)
>>> assert loss.shape == (2,)
>>> loss
array([0.0513, 2.303], dtype=float32)

[来源]

`sparse_categorical_crossentropy` 函数

keras.losses.sparse_categorical_crossentropy(
    y_true, y_pred, from_logits=False, ignore_class=None, axis=-1
)

计算稀疏分类交叉熵损失。

参数

y_true：地面真实值。
y_pred：预测值。
from_logits：是否期望 y_pred 是 logits 张量。默认情况下，我们假设 y_pred 编码了概率分布。
ignore_class：可选整数。在损失计算期间要忽略的类别的 ID。这在例如包含分割图中“空”类别的分割问题中很有用（通常为 -1 或 255）。默认情况下（ignore_class=None），将考虑所有类别。
axis：默认值为 -1。计算熵的维度。

返回值

稀疏分类交叉熵损失值。

示例

>>> y_true = [1, 2]
>>> y_pred = [[0.05, 0.95, 0], [0.1, 0.8, 0.1]]
>>> loss = keras.losses.sparse_categorical_crossentropy(y_true, y_pred)
>>> assert loss.shape == (2,)
>>> loss
array([0.0513, 2.303], dtype=float32)

[来源]

`poisson` 函数

keras.losses.poisson(y_true, y_pred)

计算 y_true 和 y_pred 之间的泊松损失。

公式

loss = y_pred - y_true * log(y_pred)

参数

y_true：地面真实值。形状 = [batch_size, d0, .. dN]。
y_pred：预测值。形状 = [batch_size, d0, .. dN]。

返回值

形状为 [batch_size, d0, .. dN-1] 的泊松损失值。

示例

>>> y_true = np.random.randint(0, 2, size=(2, 3))
>>> y_pred = np.random.random(size=(2, 3))
>>> loss = keras.losses.poisson(y_true, y_pred)
>>> assert loss.shape == (2,)
>>> y_pred = y_pred + 1e-7
>>> assert np.allclose(
...     loss, np.mean(y_pred - y_true * np.log(y_pred), axis=-1),
...     atol=1e-5)

[来源]

`ctc` 函数

keras.losses.ctc(y_true, y_pred)

CTC（连接时序分类）损失。

参数

y_true: 形状为 (batch_size, max_length) 的张量，包含以整数格式表示的真实标签。0 始终表示空白/掩码索引，不应用于类别。
y_pred: 形状为 (batch_size, max_length, num_classes) 的张量，包含 logits（模型的输出）。它们不应通过 softmax 进行归一化。

[来源]

`kl_divergence` 函数

keras.losses.kl_divergence(y_true, y_pred)

计算 y_true 和 y_pred 之间的 Kullback-Leibler 散度损失。

公式

loss = y_true * log(y_true / y_pred)

预期 y_true 和 y_pred 是概率分布，其值在 0 到 1 之间。它们将被裁剪到 [0, 1] 范围内。

参数

y_true: 真实目标的张量。
y_pred：预测目标的张量。

返回值

KL 散度损失值，形状为 [batch_size, d0, .. dN-1]。

示例

>>> y_true = np.random.randint(0, 2, size=(2, 3)).astype(np.float32)
>>> y_pred = np.random.random(size=(2, 3))
>>> loss = keras.losses.kl_divergence(y_true, y_pred)
>>> assert loss.shape == (2,)
>>> y_true = ops.clip(y_true, 1e-7, 1)
>>> y_pred = ops.clip(y_pred, 1e-7, 1)
>>> assert np.array_equal(
...     loss, np.sum(y_true * np.log(y_true / y_pred), axis=-1))

概率损失

BinaryCrossentropy 类

BinaryFocalCrossentropy 类

CategoricalCrossentropy 类

CategoricalFocalCrossentropy 类

SparseCategoricalCrossentropy 类

Poisson 类

CTC 类

KLDivergence 类

binary_crossentropy 函数

categorical_crossentropy 函数

sparse_categorical_crossentropy 函数

poisson 函数

ctc 函数

kl_divergence 函数

概率损失

BinaryCrossentropy 类

BinaryFocalCrossentropy 类

CategoricalCrossentropy 类

CategoricalFocalCrossentropy 类

SparseCategoricalCrossentropy 类

Poisson 类

CTC 类

KLDivergence 类

binary_crossentropy 函数

categorical_crossentropy 函数

sparse_categorical_crossentropy 函数

poisson 函数

ctc 函数

kl_divergence 函数

`BinaryCrossentropy` 类

`BinaryFocalCrossentropy` 类

`CategoricalCrossentropy` 类

`CategoricalFocalCrossentropy` 类

`SparseCategoricalCrossentropy` 类

`Poisson` 类

`CTC` 类

`KLDivergence` 类

`binary_crossentropy` 函数

`categorical_crossentropy` 函数

`sparse_categorical_crossentropy` 函数

`poisson` 函数

`ctc` 函数

`kl_divergence` 函数