tf.keras.losses.CosineSimilarity

Вычисляет косинусное сходство между метками и прогнозами.

Наследуется от: Loss

tf.keras.losses.CosineSimilarity(
    axis=-1,
    reduction=losses_utils.ReductionV2.AUTO,
    name='cosine_similarity'
)

Обратите внимание, что это число между -1 и 1. Когда это отрицательное число между -1 и 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 пригодным в качестве функции потерь в случае, когда вы пытаетесь максимизировать близость между прогнозами и целевыми значениями. Если либо 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 автономного метода:

y_true = [[0., 1.], [1., 1.]]
y_pred = [[1., 0.], [1., 1.]]
# Using 'auto'/'sum_over_batch_size' reduction type.
cosine_loss = tf.keras.losses.CosineSimilarity(axis=1)
# l2_norm(y_true) = [[0., 1.], [1./1.414, 1./1.414]]
# l2_norm(y_pred) = [[1., 0.], [1./1.414, 1./1.414]]
# l2_norm(y_true) . l2_norm(y_pred) = [[0., 0.], [0.5, 0.5]]
# loss = mean(sum(l2_norm(y_true) . l2_norm(y_pred), axis=1))
#       = -((0. + 0.) +  (0.5 + 0.5)) / 2
cosine_loss(y_true, y_pred).numpy()
-0.5

# Calling with 'sample_weight'.
cosine_loss(y_true, y_pred, sample_weight=[0.8, 0.2]).numpy()
-0.0999

# Using 'sum' reduction type.
cosine_loss = tf.keras.losses.CosineSimilarity(axis=1,
    reduction=tf.keras.losses.Reduction.SUM)
cosine_loss(y_true, y_pred).numpy()
-0.999

# Using 'none' reduction type.
cosine_loss = tf.keras.losses.CosineSimilarity(axis=1,
    reduction=tf.keras.losses.Reduction.NONE)
cosine_loss(y_true, y_pred).numpy()
array([-0., -0.999], dtype=float32)

Использование с API compile():

model.compile(optimizer='sgd', loss=tf.keras.losses.CosineSimilarity(axis=1))

Методы

from_config

Просмотреть исходный код

@classmethod
from_config(
    config
)

Создаёт экземпляр Loss из его конфигурации (выход get_config()).

get_config

Просмотреть исходный код

get_config()

Возвращает словарь конфигурации для экземпляра Loss.

__call__

Просмотреть исходный код

__call__(
    y_true, y_pred, sample_weight=None
)

Вызывает экземпляр Loss.