CosineSimilarity

라벨과 예측 간의 코사인 유사성을 계산합니다.

-1 과 1 사이의 숫자입니다. -1 과 0 사이의 음수인 경우 0 직교성을 나타내고 -1 에 가까울수록 유사성이 높다는 것을 나타냅니다. 1 에 가까울수록 차이가 더 크다는 것을 나타냅니다. 이를 통해 예측과 목표 간의 근접성을 최대화하려는 설정에서 손실 함수로 사용할 수 있습니다. labels 이나 predictions 중 하나가 0 벡터인 경우 예측과 목표 간의 근접성에 관계없이 코사인 유사성은 0 됩니다.

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

독립형 사용:

    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
 

샘플 가중치로 호출:

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

SUM 감소 유형 사용:

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

NONE 축소 유형 사용:

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