CosineSimilarity

ラベルと予測の間のコサイン類似度を計算します。

これは-1から1までの数値であることに注意してください。 -1から0までの負の数の場合、 0直交性を示し、値が-1に近いほど類似性が高いことを示します。値が1に近いほど、非類似性が高いことを示します。これにより、予測とターゲットの間の近接性を最大化しようとする設定で損失関数として使用できるようになります。 labelsまたはpredictionsいずれかがゼロ ベクトルの場合、予測とターゲット間の近さに関係なく、コサイン類似度は0になります。

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

スタンドアロンでの使用:

    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
 

サンプル重量を使用して呼び出します:

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

SUMリダクション タイプを使用する場合:

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

NONE削減タイプを使用する場合:

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