CosineSimilarity

Menghitung kesamaan kosinus antara label dan prediksi.

Perhatikan bahwa ini adalah angka antara -1 dan 1 . Jika angkanya negatif antara -1 dan 0 , 0 menunjukkan ortogonalitas dan nilai yang mendekati -1 menunjukkan kesamaan yang lebih besar. Nilai yang mendekati 1 menunjukkan ketidaksamaan yang lebih besar. Hal ini membuatnya dapat digunakan sebagai fungsi kerugian dalam pengaturan di mana Anda mencoba memaksimalkan kedekatan antara prediksi dan target. Jika labels atau predictions merupakan vektor nol, kesamaan kosinus akan menjadi 0 terlepas dari kedekatan antara prediksi dan target.

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

Penggunaan mandiri:

    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
 

Memanggil dengan berat sampel:

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

Menggunakan tipe pengurangan SUM :

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

Menggunakan tipe reduksi NONE :

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