CosineSimilarity

คำนวณความคล้ายคลึงโคไซน์ระหว่างป้ายกำกับและการทำนาย

โปรดทราบว่าเป็นตัวเลขระหว่าง -1 ถึง 1 เมื่อเป็นจำนวนลบระหว่าง -1 ถึง 0 0 จะบ่งบอกถึงความตั้งฉาก และค่าที่ใกล้กับ -1 จะบ่งบอกถึงความคล้ายคลึงกันมากขึ้น ค่าที่ใกล้กับ 1 แสดงถึงความแตกต่างที่มากขึ้น ซึ่งทำให้สามารถใช้เป็นฟังก์ชันการสูญเสียในการตั้งค่าที่คุณพยายามเพิ่มความใกล้เคียงระหว่างการคาดการณ์และเป้าหมายให้สูงสุด หาก labels หรือ predictions เป็นเวกเตอร์เป็นศูนย์ ความคล้ายคลึงของโคไซน์จะเป็น 0 โดยไม่คำนึงถึงระยะห่างระหว่างการทำนายและเป้าหมาย

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

การใช้งานแบบสแตนด์อโลน:

    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
 

การโทรด้วยน้ำหนักตัวอย่าง:

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

การใช้ประเภทการลด SUM :

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

การใช้ประเภทการลด NONE :

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