CosineSimilarity

Calcule la similarité cosinusoïdale entre les étiquettes et les prédictions.

Notez qu'il s'agit d'un nombre compris entre -1 et 1 . Lorsqu'il s'agit d'un nombre négatif compris entre -1 et 0 , 0 indique une orthogonalité et des valeurs plus proches de -1 indiquent une plus grande similarité. Les valeurs plus proches de 1 indiquent une plus grande dissemblance. Cela le rend utilisable comme fonction de perte dans un contexte où vous essayez de maximiser la proximité entre les prédictions et les cibles. Si labels ou predictions sont un vecteur nul, la similarité cosinus sera de 0 quelle que soit la proximité entre les prédictions et les cibles.

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

Utilisation autonome :

    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
 

Appel avec le poids de l'échantillon :

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

Utilisation du type de réduction SUM :

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

Utilisation du type de réduction NONE :

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