Losses

기본 퍼즈 계수.

레이블과 예측 간의 이진 교차엔트로피 손실을 계산합니다.

레이블과 예측 간의 범주형 교차엔트로피 손실을 계산합니다.

라벨과 예측 간의 범주형 힌지 손실을 계산합니다.

라벨과 예측 간의 코사인 유사성 손실을 계산합니다.

이는 -1 과 1 사이의 숫자이며, 이는 1 유사한 벡터를 나타내고 0 다른 벡터를 나타내는 코사인 유사성의 수학적 정의와 다릅니다. 이 함수에서는 숫자가 -1 ~ 1 범위에서 반전됩니다. -1 과 0 사이의 음수인 경우 0 직교성을 나타내고 -1 에 가까울수록 유사성이 높다는 것을 나타냅니다. 1 에 가까울수록 차이가 더 크다는 것을 나타냅니다. 이를 통해 예측과 목표 간의 근접성을 최대화하려는 설정에서 손실 함수로 사용할 수 있습니다. 레이블이나 예측 중 하나가 0 벡터인 경우 예측과 목표 간의 근접성에 관계없이 코사인 유사성은 0 됩니다.

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

라벨과 예측 간의 힌지 손실을 계산합니다.

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

라벨과 예측 간의 Huber 손실을 계산합니다.

오류가 발생한 각 값 x에 대해 = 라벨 - 예측:

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

여기서 d는 델타입니다.

레이블과 예측 간의 Kullback-Leibler 발산 손실을 계산합니다.

L2 표준을 사용하여 치수 축을 따라 정규화합니다.

레이블과 예측 간의 쌍곡선 코사인 손실을 계산합니다.

log(cosh(x)) 작은 x 의 경우 (x ** 2) / 2 , 큰 x 의 경우에는 abs(x) - log(2) 대략 같습니다. 이는 'logCosh'가 대부분 평균 제곱 오차와 유사하게 작동하지만 가끔씩 발생하는 매우 잘못된 예측에 크게 영향을 받지 않음을 의미합니다.

라벨과 예측 간의 평균 절대 오차를 계산합니다.

loss = reduceMean(abs(labels - predictions))

라벨과 예측 간의 평균 절대 백분율 오차를 계산합니다.

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

라벨과 예측 간의 평균 제곱 오차를 계산합니다.

loss = reduceMean(square(labels - predictions))

라벨과 예측 간의 평균 제곱 로그 오류를 계산합니다.

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

레이블과 예측 간의 포아송 손실을 계산합니다.

포아송 손실은 Tensor predictions - labels * log(predictions) 의 평균입니다.

레이블과 예측 간의 희소 범주형 교차엔트로피 손실을 계산합니다.

라벨과 예측 간의 제곱 힌지 손실을 계산합니다.

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