Losses

Facteur Fuzz par défaut.

Calcule la perte d'entropie croisée binaire entre les étiquettes et les prédictions.

Calcule la perte d'entropie croisée catégorielle entre les étiquettes et les prédictions.

Calcule la perte de charnière catégorielle entre les étiquettes et les prédictions.

Calcule la perte de similarité cosinus entre les étiquettes et les prédictions.

Notez qu'il s'agit d'un nombre compris entre -1 et 1 , ce qui est différent de la définition mathématique de la similarité cosinus où 1 représente des vecteurs similaires et 0 représente des vecteurs différents. Dans cette fonction, les nombres sont inversés dans une plage de -1 à 1 . Lorsqu'il s'agit d'un nombre négatif compris entre -1 et 0 , 0 indique une orthogonalité et des valeurs plus proches de -1 indiquent une plus grande similarité. Les valeurs plus proches de 1 indiquent une plus grande dissemblance. Cela le rend utilisable comme fonction de perte dans un contexte où vous essayez de maximiser la proximité entre les prédictions et les cibles. Si les étiquettes ou les prédictions sont un vecteur nul, la similarité cosinus sera de 0 quelle que soit la proximité entre les prédictions et les cibles.

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

Calcule la perte de charnière entre les étiquettes et les prédictions

loss = reduceMean(maximum(1 - labels * predictions, 0))

Calcule la perte de Huber entre les étiquettes et les prédictions.

Pour chaque valeur x en erreur = étiquettes - prédictions :

     loss = 0.5 * x^2                  if |x| <= d
     loss = 0.5 * d^2 + d * (|x| - d)  if |x| > d
 

où d est delta.

Calcule la perte de divergence Kullback-Leibler entre les étiquettes et les prédictions.

Normalise le long de l'axe des dimensions à l'aide d'une norme L2.

Calcule la perte de cosinus hyperbolique entre les étiquettes et les prédictions.

log(cosh(x)) est approximativement égal à (x ** 2) / 2 pour le petit x et à abs(x) - log(2) pour le grand x . Cela signifie que « logCosh » fonctionne principalement comme l'erreur quadratique moyenne, mais ne sera pas aussi fortement affecté par les prédictions occasionnelles extrêmement incorrectes.

Calcule l'erreur absolue moyenne entre les étiquettes et les prédictions.

loss = reduceMean(abs(labels - predictions))

Calcule le pourcentage d’erreur absolu moyen entre les étiquettes et les prédictions.

loss = 100 * reduceMean(abs((labels - predictions) / labels))

Calcule l'erreur quadratique moyenne entre les étiquettes et les prédictions.

loss = reduceMean(square(labels - predictions))

Calcule l’erreur logarithmique quadratique moyenne entre les étiquettes et les prédictions.

loss = reduceMean(square(log(labels + 1) - log(predictions + 1)))

Calcule la perte de Poisson entre les étiquettes et les prédictions.

La perte de Poisson est la moyenne des éléments des predictions - labels * log(predictions) .

Calcule la perte d'entropie croisée catégorielle clairsemée entre les étiquettes et les prédictions.

Calcule la perte de charnière carrée entre les étiquettes et les prédictions.

loss = reduceMean(square(maximum(1 - labels * predictions, 0)))