CosineSimilarity

Etiketler ve tahminler arasındaki kosinüs benzerliğini hesaplar.

Bunun -1 ile 1 arasında bir sayı olduğuna dikkat edin. -1 ile 0 arasında negatif bir sayı olduğunda, 0 dikliği, -1 yakın değerler ise benzerliğin daha fazla olduğunu gösterir. 1 yakın değerler daha büyük farklılığı gösterir. Bu, tahminler ve hedefler arasındaki yakınlığı en üst düzeye çıkarmaya çalıştığınız bir ortamda onu bir kayıp fonksiyonu olarak kullanılabilir hale getirir. labels veya predictions biri sıfır vektör ise kosinüs benzerliği, tahminler ile hedefler arasındaki yakınlığa bakılmaksızın 0 olacaktır.

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

Bağımsız kullanım:

    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
 

Örnek ağırlıkla arama:

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

SUM azaltma türünü kullanma:

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

NONE azaltma türünü kullanma:

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