CosineSimilarity

लेबल और भविष्यवाणियों के बीच कोसाइन समानता की गणना करता है।

ध्यान दें कि यह -1 और 1 के बीच की एक संख्या है। जब यह -1 और 0 के बीच एक ऋणात्मक संख्या होती है, 0 रूढ़िवादिता को दर्शाता है और -1 के करीब का मान अधिक समानता को दर्शाता है। 1 के करीब के मान अधिक असमानता दर्शाते हैं। यह इसे उस सेटिंग में हानि फ़ंक्शन के रूप में प्रयोग करने योग्य बनाता है जहां आप भविष्यवाणियों और लक्ष्यों के बीच निकटता को अधिकतम करने का प्रयास करते हैं। यदि कोई भी labels या predictions शून्य वेक्टर है, तो भविष्यवाणियों और लक्ष्यों के बीच निकटता की परवाह किए बिना कोसाइन समानता 0 होगी।

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

स्टैंडअलोन उपयोग:

    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
 

नमूना भार के साथ कॉलिंग:

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

SUM कटौती प्रकार का उपयोग करना:

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

NONE कमी प्रकार का उपयोग करना:

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