Losses

ברירת המחדל של גורם Fuzz.

מחשב את אובדן הקרוסנטרופיה הבינארית בין תוויות ותחזיות.

מחשב את אובדן ה-crossentropy הקטגורי בין תוויות ותחזיות.

מחשב את אובדן הציר הקטגורי בין תוויות ותחזיות.

מחשב את אובדן הדמיון הקוסינוס בין תוויות ותחזיות.

שימו לב שזהו מספר בין -1 ל 1 , השונה מההגדרה המתמטית של דמיון קוסינוס שבו 1 מייצג וקטורים דומים, ו 0 מייצג וקטורים לא דומים. בפונקציה זו, המספרים הופכים בטווח של -1 עד 1 . כאשר מדובר במספר שלילי בין -1 ל 0 , 0 מציין אורתוגונליות וערכים קרובים יותר ל -1 מצביעים על דמיון רב יותר. הערכים הקרובים יותר ל 1 מצביעים על אי דמיון רב יותר. זה הופך אותו לשימוש כפונקציית אובדן בסביבה שבה אתה מנסה למקסם את הקרבה בין התחזיות והיעדים. אם תוויות או תחזיות הן וקטור אפס, הדמיון הקוסינוס יהיה 0 ללא קשר לקרבה בין התחזיות והמטרות.

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

מחשב את אובדן הציר בין תוויות ותחזיות

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

מחשב את אובדן הובר בין תוויות ותחזיות.

עבור כל ערך x בשגיאה = תוויות - תחזיות:

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

כאשר d הוא דלתא.

מחשב את אובדן סטיית ה-Kullback-Leibler בין תוויות ותחזיות.

מנרמל לאורך ציר הממד באמצעות נורמה L2.

מחשב את אובדן הקוסינוס ההיפרבולי בין תוויות ותחזיות.

log(cosh(x)) שווה בערך ל- (x ** 2) / 2 עבור x קטן ול- abs(x) - log(2) עבור x גדול. זה אומר ש-'logCosh' עובד בעיקר כמו השגיאה הממוצעת בריבוע, אבל לא יושפע כל כך חזק מהתחזית השגויה מדי פעם.

מחשב את השגיאה המוחלטת הממוצעת בין תוויות ותחזיות.

loss = reduceMean(abs(labels - predictions))

מחשב את השגיאה הממוצעת באחוז המוחלט בין תוויות ותחזיות.

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

מחשב את השגיאה הממוצעת בריבוע בין תוויות ותחזיות.

loss = reduceMean(square(labels - predictions))

מחשב את השגיאה הלוגריתמית הממוצעת בריבוע בין תוויות ותחזיות.

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

מחשב את אובדן Poisson בין תוויות ותחזיות.

הפסד ה-Poisson הוא הממוצע של המרכיבים של predictions - labels * log(predictions) .

מחשב את אובדן ההצלבה הקטגורי הדליל בין תוויות ותחזיות.

מחשב את אובדן הציר בריבוע בין תוויות ותחזיות.

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