tf.compat.v1.losses.mean_pairwise_squared_error

Добавляет потерю квадрата разностей пар элементов 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 пакете, но не по всем образцам в пакете. Например, если predictions представляет собой пакет из 16 градационных изображений размерности [размер_пакета, 100, 200], то множество пар берется из каждого изображения, но не по всем изображениям.

weights выступает в качестве коэффициента для потери. Если задано скалярное значение, то потеря просто масштабируется заданным значением. Если weights является тензором размера [batch_size], то общая потеря для каждого образца пакета масштабируется соответствующим элементом в векторе weights.

Аргумент loss_collection игнорируется при выполнении в режиме eager. Рассмотрите сохранение возвращаемого значения или сбор потерь через tf.keras.Model.