CosineSimilarity

Вычисляет косинусное сходство между метками и прогнозами.

Обратите внимание, что это число от -1 до 1 . Если это отрицательное число между -1 и 0 , 0 указывает на ортогональность, а значения ближе к -1 указывают на большее сходство. Значения ближе к 1 указывают на большее различие. Это позволяет использовать ее в качестве функции потерь в условиях, когда вы пытаетесь максимизировать близость между прогнозами и целями. Если labels или predictions представляют собой нулевой вектор, косинусное сходство будет равно 0 независимо от близости между прогнозами и целями.

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

Автономное использование:

    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
 

Вызов с выборочным весом:

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

Использование типа сокращения SUM :

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

Использование типа сокращения NONE :

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