CosineSimilarity

شباهت کسینوس بین برچسب ها و پیش بینی ها را محاسبه می کند.

توجه داشته باشید که عددی بین -1 و 1 است. هنگامی که عددی بین -1 و 0 منفی است، 0 نشان دهنده متعامد بودن و مقادیر نزدیک به -1 نشان دهنده شباهت بیشتر است. مقادیر نزدیک به 1 نشان دهنده عدم تشابه بیشتر است. این باعث می شود که آن را به عنوان یک تابع ضرر در تنظیماتی که سعی می کنید نزدیکی بین پیش بینی ها و اهداف را به حداکثر برسانید، قابل استفاده است. اگر هر یک از labels یا predictions بردار صفر باشد، شباهت کسینوس بدون توجه به نزدیکی بین پیش بینی ها و اهداف 0 خواهد بود.

loss = -sum(l2Norm(labels) * l2Norm(predictions))

استفاده مستقل:

    Operand<TFloat32> labels =
        tf.constant(new float[][] { {0.f, 1.f}, {1.f, 1.f} });
    Operand<TFloat32> predictions =
        tf.constant(new float[][] { {1.f, 0.f}, {1.f, 1.f} });
    CosineSimilarity cosineLoss = new CosineSimilarity(tf);
    Operand<TFloat32> result = cosineLoss.call(labels, predictions);
    // produces -0.5
 

تماس با وزن نمونه:

    Operand<TFloat32> sampleWeight = tf.constant(new float[] {0.8f, 0.2f});
    Operand<TFloat32> result = cosineLoss.call(labels, predictions, sampleWeight);
    // produces -0.0999f
 

با استفاده از نوع کاهش SUM :

    CosineSimilarity cosineLoss = new CosineSimilarity(tf, Reduction.SUM);
    Operand<TFloat32> result = cosineLoss.call(labels, predictions);
    // produces -0.999f
 

استفاده از نوع کاهش NONE :

    CosineSimilarity cosineLoss = new CosineSimilarity(tf, Reduction.NONE);
    Operand<TFloat32> result = cosineLoss.call(labels, predictions);
    // produces [-0.f, -0.999f]