tf.compat.v1.losses.mean_pairwise_squared_error

Добавляет потерю, основанную на квадрате парных ошибок, в процедуру обучения.

tf.compat.v1.losses.mean_pairwise_squared_error(
    labels,
    predictions,
    weights=1.0,
    scope=None,
    loss_collection=ops.GraphKeys.LOSSES
)

В отличие от mean_squared_error, которая является мерой различий между соответствующими элементами predictions и labels, mean_pairwise_squared_error является мерой различий между парами соответствующих элементов predictions и labels.

Например, если labels=[a, b, c] и predictions=[x, y, z], для вычисления потери суммируются три пары разностей: loss = [ ((a-b) - (x-y)).^2 + ((a-c) - (x-z)).^2 + ((b-c) - (y-z)).^2 ] / 3

Обратите внимание, что поскольку входные данные имеют форму [batch_size, d0, ... dN], соответствующие пары вычисляются для каждого образца в пачке, но не по образцам внутри пачки. Например, если predictions представляет собой пачку из 16 градационных изображений размером [размер_пачки, 100, 200], то набор пар берется из каждого изображения, но не по всем изображениям.

weights действует как коэффициент для потери. Если предоставлен скаляр, то потеря просто масштабируется на заданное значение. Если weights является тензором размером [batch_size], то общая потеря для каждого образца в пачке масштабируется соответствующим элементом в векторе weights.

Аргумент loss_collection игнорируется при выполнении в режиме eager. Рассмотрите возможность сохранения возвращаемого значения или сбора потерь с помощью tf.keras.Model.