Losses

Fattore Fuzz predefinito.

Calcola la perdita di crossentropia binaria tra etichette e previsioni.

Calcola la perdita di crossentropia categorica tra etichette e previsioni.

Calcola la perdita di cerniera categoriale tra etichette e previsioni.

Calcola la perdita di similarità del coseno tra etichette e previsioni.

Nota che è un numero compreso tra -1 e 1 , che è diverso dalla definizione matematica di somiglianza del coseno in cui 1 rappresenta vettori simili e 0 rappresenta vettori dissimili. In questa funzione, i numeri vengono invertiti nell'intervallo da -1 a 1 . Quando è un numero negativo compreso tra -1 e 0 , 0 indica ortogonalità e valori più vicini a -1 indicano una maggiore somiglianza. I valori più vicini a 1 indicano una maggiore dissomiglianza. Ciò lo rende utilizzabile come funzione di perdita in un contesto in cui si tenta di massimizzare la vicinanza tra previsioni e obiettivi. Se le etichette o le previsioni sono un vettore zero, la somiglianza del coseno sarà 0 indipendentemente dalla vicinanza tra previsioni e obiettivi.

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

Calcola la perdita di cerniera tra etichette e previsioni

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

Calcola la perdita di Huber tra etichette e previsioni.

Per ogni valore x in errore = etichette - previsioni:

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

dove d è delta.

Calcola la perdita di divergenza Kullback-Leibler tra etichette e previsioni.

Normalizza lungo l'asse dimensionale utilizzando una norma L2.

Calcola la perdita del coseno iperbolico tra etichette e previsioni.

log(cosh(x)) è approssimativamente uguale a (x ** 2) / 2 per x piccolo e ad abs(x) - log(2) per x grande. Ciò significa che "logCosh" funziona per lo più come l'errore quadratico medio, ma non sarà così fortemente influenzato da previsioni occasionali estremamente errate.

Calcola l'errore medio assoluto tra etichette e previsioni.

loss = reduceMean(abs(labels - predictions))

Calcola l'errore percentuale medio assoluto tra etichette e previsioni.

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

Calcola l'errore quadratico medio tra etichette e previsioni.

loss = reduceMean(square(labels - predictions))

Calcola l'errore logaritmico quadratico medio tra etichette e previsioni.

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

Calcola la perdita di Poisson tra etichette e previsioni.

La perdita di Poisson è la media degli elementi delle predictions - labels * log(predictions) .

Calcola la perdita di crossentropia categorica sparsa tra etichette e previsioni.

Calcola la perdita di cerniera al quadrato tra etichette e previsioni.

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