tf.keras.losses.cosine_similarity

Вычисляет косинусное сходство между метками и прогнозами.

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

Обратите внимание, что это число от -1 до 1. Когда это отрицательное число от -1 до 0, 0 указывает на ортогональность, а значения, более близкие к -1, указывают на большее сходство. Значения, более близкие к 1, указывают на большее несходство. Это делает его применимым в качестве функции потерь в ситуациях, когда вы пытаетесь максимизировать близость между прогнозами и целевыми значениями. Если y_true или y_pred является нулевым вектором, косинусное сходство будет равно 0 независимо от близости между прогнозами и целевыми значениями.

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

Использование в отдельном модуле:

y_true = [[0., 1.], [1., 1.], [1., 1.]]
y_pred = [[1., 0.], [1., 1.], [-1., -1.]]
loss = tf.keras.losses.cosine_similarity(y_true, y_pred, axis=1)
loss.numpy()
array([-0., -0.999, 0.999], dtype=float32)