CosineSimilarity

يحسب تشابه جيب التمام بين التسميات والتنبؤات.

لاحظ أنه رقم بين -1 و 1 . عندما يكون رقمًا سالبًا بين -1 و 0 ، يشير 0 إلى التعامد والقيم الأقرب إلى -1 تشير إلى تشابه أكبر. تشير القيم الأقرب إلى 1 إلى اختلاف أكبر. وهذا يجعلها قابلة للاستخدام كدالة خسارة في بيئة تحاول فيها زيادة القرب بين التوقعات والأهداف. إذا كانت أي من labels أو predictions متجهًا صفريًا، فسيكون تشابه جيب التمام 0 بغض النظر عن القرب بين التنبؤات والأهداف.

loss = -sum(l2Norm(labels) * l2Norm(predictions))

الاستخدام المستقل:

    Operand<TFloat32> labels =
        tf.constant(new float[][] { {0.f, 1.f}, {1.f, 1.f} });
    Operand<TFloat32> predictions =
        tf.constant(new float[][] { {1.f, 0.f}, {1.f, 1.f} });
    CosineSimilarity cosineLoss = new CosineSimilarity(tf);
    Operand<TFloat32> result = cosineLoss.call(labels, predictions);
    // produces -0.5
 

الاتصال بوزن العينة:

    Operand<TFloat32> sampleWeight = tf.constant(new float[] {0.8f, 0.2f});
    Operand<TFloat32> result = cosineLoss.call(labels, predictions, sampleWeight);
    // produces -0.0999f
 

استخدام نوع التخفيض SUM :

    CosineSimilarity cosineLoss = new CosineSimilarity(tf, Reduction.SUM);
    Operand<TFloat32> result = cosineLoss.call(labels, predictions);
    // produces -0.999f
 

استخدام نوع التخفيض NONE :

    CosineSimilarity cosineLoss = new CosineSimilarity(tf, Reduction.NONE);
    Operand<TFloat32> result = cosineLoss.call(labels, predictions);
    // produces [-0.f, -0.999f]