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 в диапазоне от -1 до 1. Если оно отрицательное и находится в диапазоне от -1 до 0, значение 0 означает ортогональность, а значения, близкие к -1, указывают на большее сходство. Это позволяет использовать данную величину в качестве функции потерь в задаче, где требуется максимизировать близость между предсказаниями и целевыми значениями. Если y_true или y_pred является нулевым вектором, косинусное сходство будет равно 0 независимо от близости между предсказаниями и целевыми значениями.

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]