tf.compat.v1.losses.mean_pairwise_squared_error

Добавляет потерю в виде среднеквадратичной разницы пар к процедуре обучения.

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

В отличие от mean_squared_error, которая измеряет различия между соответствующими элементами predictions и labels, mean_pairwise_squared_error измеряет различия 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 пакете, но не по образцам внутри пакета. Например, если predictions представляет пакет из 16 черно-белых изображений размерностью [размер_пакета, 100, 200], то набор пар берется из каждого изображения, но не по всем изображениям.

weights служит коэффициентом для потери. Если задано скалярное значение, то потеря просто масштабируется на заданное значение. Если weights является тензором размера [batch_size], то общая потеря для каждого образца в пакете масштабируется соответствующим элементом в векторе weights.

Совместимость с Eager Execution

Аргумент loss_collection игнорируется при выполнении в режиме Eager Execution. Подумайте о том, чтобы сохранить возвращаемое значение или собрать потери с помощью tf.keras.Model.