CosineSimilarity

Calcola la somiglianza del coseno tra etichette e previsioni.

Nota che è un numero compreso tra -1 e 1 . Quando è un numero negativo compreso tra -1 e 0 , 0 indica ortogonalità e valori più vicini a -1 indicano una maggiore somiglianza. I valori più vicini a 1 indicano una maggiore dissomiglianza. Ciò lo rende utilizzabile come funzione di perdita in un contesto in cui si tenta di massimizzare la vicinanza tra previsioni e obiettivi. Se labels o predictions sono un vettore zero, la somiglianza del coseno sarà 0 indipendentemente dalla vicinanza tra previsioni e obiettivi.

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

Utilizzo autonomo:

    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
 

Chiamata con peso campione:

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

Utilizzo del tipo di riduzione SUM :

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

Utilizzo del tipo di riduzione NONE :

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