CosineSimilarity

Tính toán độ tương tự cosin giữa nhãn và dự đoán.

Lưu ý rằng đó là một số nằm trong khoảng từ -1 đến 1 . Khi đó là số âm trong khoảng từ -1 đến 0 , 0 biểu thị tính trực giao và các giá trị gần -1 biểu thị mức độ tương tự lớn hơn. Các giá trị gần bằng 1 cho thấy sự khác biệt lớn hơn. Điều này làm cho nó có thể được sử dụng như một hàm mất mát trong cài đặt mà bạn cố gắng tối đa hóa khoảng cách giữa các dự đoán và mục tiêu. Nếu labels hoặc predictions là vectơ bằng 0 thì độ tương tự cosine sẽ bằng 0 bất kể khoảng cách giữa dự đoán và mục tiêu.

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

Cách sử dụng độc lập:

    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
 

Gọi với trọng lượng mẫu:

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

Sử dụng loại giảm SUM :

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

Sử dụng loại giảm NONE :

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