Losses

डिफ़ॉल्ट फ़ज़ फ़ैक्टर.

लेबल और भविष्यवाणियों के बीच बाइनरी क्रॉसेंट्रॉपी हानि की गणना करता है।

लेबल और भविष्यवाणियों के बीच श्रेणीबद्ध क्रॉसेंट्रॉपी हानि की गणना करता है।

लेबल और पूर्वानुमानों के बीच श्रेणीगत हिंज हानि की गणना करता है।

लेबल और भविष्यवाणियों के बीच कोसाइन समानता हानि की गणना करता है।

ध्यान दें कि यह -1 और 1 के बीच की एक संख्या है, जो कोसाइन समानता की गणितीय परिभाषा से अलग है जहां 1 समान वैक्टर का प्रतिनिधित्व करता है, और 0 असमान वैक्टर का प्रतिनिधित्व करता है। इस फ़ंक्शन में, संख्याएँ -1 से 1 की सीमा में उलटी होती हैं। जब यह -1 और 0 के बीच एक ऋणात्मक संख्या होती है, तो 0 रूढ़िवादिता को दर्शाता है और -1 के करीब का मान अधिक समानता को दर्शाता है। 1 के करीब के मान अधिक असमानता दर्शाते हैं। यह इसे उस सेटिंग में हानि फ़ंक्शन के रूप में प्रयोग करने योग्य बनाता है जहां आप भविष्यवाणियों और लक्ष्यों के बीच निकटता को अधिकतम करने का प्रयास करते हैं। यदि कोई भी लेबल या पूर्वानुमान शून्य वेक्टर है, तो भविष्यवाणियों और लक्ष्यों के बीच निकटता की परवाह किए बिना कोसाइन समानता 0 होगी।

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

लेबल और पूर्वानुमानों के बीच हिंज हानि की गणना करता है

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

लेबल और पूर्वानुमानों के बीच ह्यूबर हानि की गणना करता है।

त्रुटि में प्रत्येक मान x के लिए = लेबल - पूर्वानुमान:

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

जहाँ d डेल्टा है।

लेबल और भविष्यवाणियों के बीच कुल्बैक-लीब्लर विचलन हानि की गणना करता है।

L2 मानदंड का उपयोग करके आयाम अक्ष के साथ सामान्यीकृत किया जाता है।

लेबल और भविष्यवाणियों के बीच हाइपरबोलिक कोसाइन हानि की गणना करता है।

छोटे x के लिए log(cosh(x)) लगभग (x ** 2) / 2 के बराबर है और बड़े x के लिए abs(x) - log(2) के बराबर है। इसका मतलब यह है कि 'लॉगकोश' ज्यादातर माध्य वर्ग त्रुटि की तरह काम करता है, लेकिन कभी-कभार होने वाली बेतहाशा गलत भविष्यवाणी से इतना अधिक प्रभावित नहीं होगा।

लेबल और पूर्वानुमानों के बीच माध्य निरपेक्ष त्रुटि की गणना करता है।

loss = reduceMean(abs(labels - predictions))

लेबल और पूर्वानुमानों के बीच औसत पूर्ण प्रतिशत त्रुटि की गणना करता है।

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

लेबल और पूर्वानुमानों के बीच माध्य वर्ग त्रुटि की गणना करता है।

loss = reduceMean(square(labels - predictions))

लेबल और पूर्वानुमानों के बीच माध्य वर्ग लघुगणकीय त्रुटि की गणना करता है।

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

लेबल और भविष्यवाणियों के बीच पॉइसन हानि की गणना करता है।

पॉइसन हानि टेन्सर predictions - labels * log(predictions) ।

लेबल और भविष्यवाणियों के बीच विरल श्रेणीगत क्रॉसेंट्रॉपी हानि की गणना करता है।

लेबल और पूर्वानुमानों के बीच वर्गाकार हिंज हानि की गणना करता है।

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