锐客网

  1. 首页 > 睿知 > it技术 > >

go语言计算熵的函数 go语言len函数

计算IT技术

如何计算熵?怎么计算？计算熵变的三个公式如下：
1、已知定压比热、温度、压力：根据公式△S1-2=CPln(T2/T1)-Rgln(P2/P1)进行计算其中 ， △S1-2为由状态1到状态2的熵变化量，J/(kg·K) 。
CP为定压比热，J/(kg·K)；T1、T2为状态1和2的热力学温度，K；P1、P2为状态1和2的绝对压力，Pa；Rg为气体常数 ， J/(kg·K) 。
2、已知定容比热、温度、比体积：
根据公式△S1-2=CVln(T2/T1) Rgln(v2/v1)进行计算其中，△S1-2为由状态1到状态2的熵变化量，J/(kg·K)；CV为定容比热，J/(kg·K) 。
T1、T2为状态1和2的热力学温度，K；v1、v2为状态1和2的比体积，m3/kg；Rg为气体常数，J/(kg·K) 。
3、已知定容比热、定压比热、压力、比体积：
根据公式△S1-2=CVln(P2/P1) CPln(v2/v1)进行计算其中，△S1-2为由状态1到状态2的熵变化量，J/(kg·K)；CV为定容比热 ， J/(kg·K)；CP为定压比热，J/(kg·K)；P1、P2为状态1和2的绝对压力，Pa；v1、v2为状态1和2的比体积，m3/kg 。
化学中的熵变
体系混乱度的状态函数为熵，熵是有加和性质的状态函数 。在一个过程中，系统混乱度发生改变 ， 称之为熵变，也就是△S 。计算
①应用公式S＝klnΩ 进行时△S＝S2-S1
②恒温可逆过程△S＝Qr/T
③应用吉布斯自由能方程计算△G＝△H-△TS
往混乱度增大的方向反应△S大于零，相反△S小于零 。比较混乱度方法固＜液＜气 同状态，分子构成原子数相同，分子体积越大，混乱度越大 。
在熵编码中，熵值的计算计算步骤如下图：
在信息论中go语言计算熵的函数，熵是对不确定性go语言计算熵的函数的一种度量 。信息量越大，不确定性就越?。?熵也就越?。恍畔⒘吭叫 。蝗范ㄐ栽酱?，熵也越大 。根据熵的特性，我们可以通过计算熵值来判断一个事件的随机性及无序程度 ， 也可以用熵值来判断某个指标的离散程度，指标的离散程度越大，该指标对综合评价的影响越大 。
Tensorflow四种交叉熵函数计算公式转自：
注意 ：tensorflow交叉熵计算函数输入中go语言计算熵的函数的logits都不是softmax或sigmoid的 输出 go语言计算熵的函数，而是softmax或sigmoid函数的 输入 go语言计算熵的函数，因为它在 函数内部进行sigmoid或softmax操作
tf.nn.sigmoid_cross_entropy_with_logits(_sentinel=None,labels=None, logits=None, name=None)
参数:_sentinel:本质上是不用的参数go语言计算熵的函数，不用填
logits:一个数据类型（type）是float32或float64;
shape:[batch_size,num_classes],单样本是[num_classes]
labels:和logits具有相同的type(float)和shape的张量(tensor)，
name:操作的名字，可填可不填
输出:
loss，shape:[batch_size,num_classes]
Note: 它对于输入的logits先通过sigmoid函数计算，再计算它们的交叉熵，但是它对交叉熵的计算方式进行go语言计算熵的函数了优化 ， 使得结果不至于溢出 。它适用于每个类别相互独立但互不排斥的情况：例如一幅图可以同时包含一条狗和一只大象 。output不是一个数，而是一个batch中每个样本的loss,所以一般配合tf.reduce_mea(loss)使用
计算公式：
Python 程序：
输出的E1，E2结果相同
tf.nn.softmax_cross_entropy_with_logits(_sentinel=None, labels=None, logits=None, dim=-1, name=None)argument:
_sentinel: 本质上是不用的参数，不用填
logits:一个数据类型（type）是float32或float64;
shape :[batch_size,num_classes]
labels:和logits具有相同type和shape的张量(tensor) ， ,是一个有效的概率，sum(labels)=1, one_hot=True(向量中只有一个值为1.0，其他值为0.0)
name:操作的名字 ， 可填可不填
output: loss，shape:[batch_size]
Note: 它对于输入的logits先通过softmax（ 不同于sigmoid ）函数计算，再计算它们的交叉熵，但是它对交叉熵的计算方式进行了优化，使得结果不至于溢出 。它适用于每个类别相互独立且排斥的情况 ， 一幅图只能属于一类，而不能同时包含一条狗和一只大象 。output不是一个数，而是一个batch中每个样本的loss,所以一般配合tf.reduce_mean(loss)使用 。
计算公式：
Python程序：
import tensorflow as tf
import numpy as np
def softmax(x):
sum_raw = np.sum(np.exp(x),axis=-1)
x1 = np.ones(np.shape(x))
for i in range(np.shape(x)[0]):
x1[i] = np.exp(x[i])/sum_raw[i]
return x1
y = np.array([[1,0,0],[0,1,0],[0,0,1],[1,0,0],[0,1,0]])#每一行只有一个1
logits =np.array([[12,3,2],[3,10,1],[1,2,5],[4,6.5,1.2],[3,6,1]])
y_pred =softmax(logits)
E1 = -np.sum(y*np.log(y_pred),-1)
print(E1)
sess = tf.Session()
y = np.array(y).astype(np.float64)
E2 = sess.run(tf.nn.softmax_cross_entropy_with_logits(labels=y,logits=logits))
print(E2)
输出的E1，E2结果相同
tf.nn.sparse_softmax_cross_entropy_with_logits(_sentinel=None,labels=None,logits=None, name=None)
argument:
_sentinel:本质上是不用的参数，不用填
logits:一个数据类型（type）是float32或float64;
shape:[batch_size,num_classes]
labels: shape为[batch_size],labels[i]是{0,1,2,……,num_classes-1}的一个索引, type为int32或int64
name:操作的名字，可填可不填
output:
loss，shape:[batch_size]
Note:它对于输入的logits先通过softmax函数计算，再计算它们的交叉熵 ， 但是它对交叉熵的计算方式进行了优化，使得结果不至于溢出
它适用于每个类别相互独立且排斥的情况，一幅图只能属于一类，而不能同时包含一条狗和一只大象
output不是一个数 ， 而是一个batch中每个样本的loss,所以一般配合tf.reduce_mean(loss)使用
计算公式：
和tf.nn.softmax_cross_entropy_with_logits()一样，只是要将labels转换成tf.nn.softmax_cross_entropy_with_logits()中labels的形式
tf.nn.weighted_cross_entropy_with_logits(labels,logits, pos_weight, name=None)
计算具有权重的sigmoid交叉熵sigmoid_cross_entropy_with_logits（）
argument:
_sentinel:本质上是不用的参数 ， 不用填
logits:一个数据类型（type）是float32或float64;
shape:[batch_size,num_classes],单样本是[num_classes]
labels:和logits具有相同的type(float)和shape的张量(tensor)，
pos_weight:正样本的一个系数
name:操作的名字，可填可不填
output:
loss，shape:[batch_size,num_classes]
计算公式：
【go语言计算熵的函数 go语言len函数】关于go语言计算熵的函数和go语言len函数的介绍到此就结束了，不知道你从中找到你需要的信息了吗 ？如果你还想了解更多这方面的信息，记得收藏关注本站 。

    推荐阅读


    上一篇：IBM服务器主板表现如何？ ibm服务器主板怎么样

    下一篇：花好月圆服务器值得购买吗？ 花好月圆服务器怎么样