CosineSimilarity

লেবেল এবং ভবিষ্যদ্বাণীগুলির মধ্যে কোসাইন সাদৃশ্য গণনা করে।

মনে রাখবেন এটি -1 এবং 1 এর মধ্যে একটি সংখ্যা। যখন এটি -1 এবং 0 এর মধ্যে একটি ঋণাত্মক সংখ্যা হয়, 0 অর্থোগোনালিটি নির্দেশ করে এবং -1 এর কাছাকাছি মানগুলি বৃহত্তর সাদৃশ্য নির্দেশ করে। 1 এর কাছাকাছি মানগুলি বৃহত্তর বৈষম্য নির্দেশ করে। এটি একটি সেটিংয়ে ক্ষতির ফাংশন হিসাবে এটিকে ব্যবহারযোগ্য করে তোলে যেখানে আপনি ভবিষ্যদ্বাণী এবং লক্ষ্যগুলির মধ্যে নৈকট্য বাড়ানোর চেষ্টা করেন৷ যদি labels বা predictions একটি শূন্য ভেক্টর হয়, তাহলে ভবিষ্যদ্বাণী এবং লক্ষ্যগুলির মধ্যে প্রক্সিমিটি নির্বিশেষে কোসাইন সাদৃশ্য 0 হবে।

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

স্বতন্ত্র ব্যবহার:

    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
 

নমুনা ওজন সহ কলিং:

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

SUM হ্রাসের ধরন ব্যবহার করা:

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

NONE রিডাকশন টাইপ ব্যবহার করা:

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