Tensorflow.js es una biblioteca de código abierto desarrollada por Google para ejecutar modelos de aprendizaje automático y redes neuronales de aprendizaje profundo en el entorno del navegador o del Node. También ayuda a los desarrolladores a desarrollar modelos ML en lenguaje JavaScript y puede usar ML directamente en el navegador o en Node.js.
La función Tensorflow.js tf.losses.huberLoss() calcula la pérdida de Huber entre dos tensores dados.
Sintaxis:
tf.losses.huberLoss( labels, predictions, weights, delta, reduction );
Parámetros:
- etiquetas: Es el tensor de salida de verdad fundamental. Es similar en dimensiones a las ‘predicciones ‘.
- Predicciones: Son las salidas las que se están pronosticando.
- pesos: Son aquellos tensores cuyo rango es 0 ó 1, y deben ser radiodifundibles a pérdida de forma.
- delta: Es ese punto donde huberLoss se convierte de cuadrático a lineal.
- reducción: Es el tipo de reducción a aplicar a la pérdida. Debe ser de tipo Reducción.
Nota: Los pesos , delta y reducción son parámetros opcionales.
Valor devuelto: Devuelve tf.Tensor.
Ejemplo 1:
Javascript
// Importing the tensorflow.Js library import * as tf from "@tensorflow/tfjs" // Initializing tensor1 as geek1 let geek1 = tf.tensor2d([[1, 2, 5], [6, 7, 10]]); // Initializing tensor2 as geek2 let geek2 = tf.tensor2d([[5, 7, 11], [2, 4, 8]]) // Computing huber loss between geek1 and geek2 // using .huberLoss() function geek = tf.losses.huberLoss(geek1, geek2) geek.print();
Producción:
Tensor 3.5
Ejemplo 2:
Javascript
// Importing the tensorflow.Js library import * as tf from "@tensorflow/tfjs" // Computing huber loss between two 3D // tensors and printing the result tf.losses.huberLoss( tf.tensor4d([[[[9], [8]], [[7], [5]]]]), tf.tensor4d([[[[1], [2]], [[3], [4]]]]) ).print();
Producción:
Tensor 4.25
Referencia: https://js.tensorflow.org/api/latest/#losses.huberLoss
Publicación traducida automáticamente
Artículo escrito por thacker_shahid y traducido por Barcelona Geeks. The original can be accessed here. Licence: CCBY-SA