Losses

ডিফল্ট ফাজ ফ্যাক্টর।

লেবেল এবং ভবিষ্যদ্বাণীগুলির মধ্যে বাইনারি ক্রসেন্ট্রপি ক্ষতি গণনা করে।

লেবেল এবং ভবিষ্যদ্বাণীগুলির মধ্যে শ্রেণীবদ্ধ ক্রসেন্ট্রপি ক্ষতি গণনা করে।

লেবেল এবং ভবিষ্যদ্বাণীগুলির মধ্যে শ্রেণীগত কব্জা ক্ষতি গণনা করে৷

লেবেল এবং ভবিষ্যদ্বাণীগুলির মধ্যে কোসাইন সাদৃশ্য ক্ষতি গণনা করে।

উল্লেখ্য যে এটি -1 এবং 1 এর মধ্যে একটি সংখ্যা, যা কোসাইন সাদৃশ্যের গাণিতিক সংজ্ঞা থেকে ভিন্ন যেখানে 1 অনুরূপ ভেক্টরকে প্রতিনিধিত্ব করে এবং 0 ভিন্ন ভেক্টরকে প্রতিনিধিত্ব করে। এই ফাংশনে, সংখ্যাগুলি -1 থেকে 1 এর পরিসরে উল্টানো হয়। যখন এটি -1 এবং 0 এর মধ্যে একটি ঋণাত্মক সংখ্যা হয়, 0 অর্থোগোনালিটি নির্দেশ করে এবং -1 এর কাছাকাছি মানগুলি বৃহত্তর সাদৃশ্য নির্দেশ করে। 1 এর কাছাকাছি মানগুলি বৃহত্তর বৈষম্য নির্দেশ করে। এটি একটি সেটিংয়ে ক্ষতির ফাংশন হিসাবে এটিকে ব্যবহারযোগ্য করে তোলে যেখানে আপনি ভবিষ্যদ্বাণী এবং লক্ষ্যগুলির মধ্যে নৈকট্য বাড়ানোর চেষ্টা করেন৷ যদি লেবেল বা ভবিষ্যদ্বাণী একটি শূন্য ভেক্টর হয়, তাহলে ভবিষ্যদ্বাণী এবং লক্ষ্যগুলির মধ্যে প্রক্সিমিটি নির্বিশেষে কোসাইন সাদৃশ্য 0 হবে।

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

লেবেল এবং ভবিষ্যদ্বাণীগুলির মধ্যে কব্জা ক্ষতি গণনা করে৷

loss = reduceMean(maximum(1 - labels * predictions, 0))

লেবেল এবং ভবিষ্যদ্বাণীগুলির মধ্যে Huber ক্ষতি গণনা করে।

প্রতিটি মানের জন্য x ত্রুটিতে = লেবেল - পূর্বাভাস:

     loss = 0.5 * x^2                  if |x| <= d
     loss = 0.5 * d^2 + d * (|x| - d)  if |x| > d
 

যেখানে d হল ব-দ্বীপ।

লেবেল এবং ভবিষ্যদ্বাণীগুলির মধ্যে Kullback-Leibler ডাইভারজেন্স ক্ষতি গণনা করে।

একটি L2 আদর্শ ব্যবহার করে মাত্রা অক্ষ বরাবর স্বাভাবিককরণ করে।

লেবেল এবং ভবিষ্যদ্বাণীগুলির মধ্যে হাইপারবোলিক কোসাইন ক্ষতি গণনা করে।

log(cosh(x)) ছোট x এর জন্য প্রায় (x ** 2) / 2 এর সমান এবং বড় x এর জন্য abs(x) - log(2) । এর মানে হল যে 'logCosh' বেশিরভাগই গড় স্কোয়ারড ত্রুটির মতো কাজ করে, কিন্তু মাঝে মাঝে ভুল ভবিষ্যদ্বাণী দ্বারা এতটা দৃঢ়ভাবে প্রভাবিত হবে না।

লেবেল এবং ভবিষ্যদ্বাণীগুলির মধ্যে গড় পরম ত্রুটি গণনা করে৷

loss = reduceMean(abs(labels - predictions))

লেবেল এবং ভবিষ্যদ্বাণীগুলির মধ্যে গড় পরম শতাংশ ত্রুটি গণনা করে৷

loss = 100 * reduceMean(abs((labels - predictions) / labels))

লেবেল এবং ভবিষ্যদ্বাণীগুলির মধ্যে গড় বর্গক্ষেত্র ত্রুটি গণনা করে৷

loss = reduceMean(square(labels - predictions))

লেবেল এবং ভবিষ্যদ্বাণীগুলির মধ্যে গড় বর্গযুক্ত লগারিদমিক ত্রুটি গণনা করে৷

loss = reduceMean(square(log(labels + 1) - log(predictions + 1)))

লেবেল এবং ভবিষ্যদ্বাণীগুলির মধ্যে পয়সন ক্ষতি গণনা করে।

পয়সন ক্ষতি হল টেনসর predictions - labels * log(predictions) ।

লেবেল এবং ভবিষ্যদ্বাণীগুলির মধ্যে বিক্ষিপ্ত শ্রেণীবদ্ধ ক্রসেন্ট্রপি ক্ষতি গণনা করে।

লেবেল এবং ভবিষ্যদ্বাণীগুলির মধ্যে বর্গক্ষেত্র কব্জা ক্ষতি গণনা করে৷

loss = reduceMean(square(maximum(1 - labels * predictions, 0)))