CosineSimilarity

Calcula a semelhança de cosseno entre rótulos e previsões.

Observe que é um número entre -1 e 1 . Quando é um número negativo entre -1 e 0 , 0 indica ortogonalidade e valores mais próximos de -1 indicam maior similaridade. Os valores mais próximos de 1 indicam maior dissimilaridade. Isso o torna utilizável como uma função de perda em um cenário onde você tenta maximizar a proximidade entre as previsões e os alvos. Se os labels ou as predictions forem um vetor zero, a similaridade do cosseno será 0 independentemente da proximidade entre as previsões e os alvos.

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

Uso autônomo:

    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
 

Ligando com peso de amostra:

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

Usando o tipo de redução SUM :

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

Usando NONE tipo de redução:

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