tf.keras.losses.cosine_similarity

Вычисляет косинусное сходство между метками и предсказаниями.

tf.keras.losses.cosine_similarity(
    y_true, y_pred, axis=-1
)

Формула:

loss = -sum(l2_norm(y_true) * l2_norm(y_pred))

Обратите внимание, что это число от -1 до 1. Когда это отрицательное число между -1 и 0, 0 указывает на ортогональность, а значения, более близкие к -1, указывают на большее сходство. Это делает его пригодным в качестве функции потерь в случае, когда вы пытаетесь максимизировать близость между предсказаниями и целями. Если либо y_true, либо y_pred является нулевым вектором, косинусное сходство будет равно 0 независимо от близости между предсказаниями и целями.

Пример:

y_true = [[0., 1.], [1., 1.], [1., 1.]]
y_pred = [[1., 0.], [1., 1.], [-1., -1.]]
loss = keras.losses.cosine_similarity(y_true, y_pred, axis=-1)
[-0., -0.99999994, 0.99999994]