CosineSimilarity

Calcula la similitud de coseno entre etiquetas y predicciones.

Tenga en cuenta que es un número entre -1 y 1 . Cuando es un número negativo entre -1 y 0 , 0 indica ortogonalidad y valores más cercanos a -1 indican mayor similitud. Los valores más cercanos a 1 indican una mayor disimilitud. Esto lo hace utilizable como una función de pérdida en un entorno en el que intenta maximizar la proximidad entre las predicciones y los objetivos. Si las labels o las predictions son un vector cero, la similitud del coseno será 0 independientemente de la proximidad entre las predicciones y los objetivos.

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

Uso independiente:

    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
 

Llamando con el peso de la muestra:

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

Usando el tipo de reducción SUM :

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

Usando NONE tipo de reducción:

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