Losses

デフォルトのファズ係数。

ラベルと予測の間のバイナリ クロスエントロピー損失を計算します。

ラベルと予測の間のカテゴリカルなクロスエントロピー損失を計算します。

ラベルと予測の間のカテゴリカル ヒンジ損失を計算します。

ラベルと予測の間のコサイン類似性損失を計算します。

これは-1から1までの数値であり、 1類似ベクトルを表し、 0非類似ベクトルを表すコサイン類似度の数学的定義とは異なることに注意してください。この関数では、 -1から1の範囲で数値が反転されます。 -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。ラベルまたは予測のいずれかがゼロ 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))

ラベルと予測の間のヒンジ損失を計算します

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

ラベルと予測の間のフーバー損失を計算します。

各値 x のエラー = ラベル - 予測について:

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

ここで、d はデルタです。

ラベルと予測の間のカルバック・ライブラー発散損失を計算します。

L2 ノルムを使用して次元軸に沿って正規化します。

ラベルと予測の間の双曲線コサイン損失を計算します。

log(cosh(x))小さいxの場合は(x ** 2) / 2に、大きいxの場合はabs(x) - log(2)にほぼ等しくなります。これは、「logCosh」は主に平均二乗誤差と同様に機能しますが、時折発生する非常に不正確な予測にはそれほど強い影響を受けないことを意味します。

ラベルと予測の間の平均絶対誤差を計算します。

loss = reduceMean(abs(labels - predictions))

ラベルと予測の間の平均絶対パーセント誤差を計算します。

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

ラベルと予測の間の平均二乗誤差を計算します。

loss = reduceMean(square(labels - predictions))

ラベルと予測の間の平均二乗対数誤差を計算します。

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

ラベルと予測の間のポアソン損失を計算します。

ポアソン損失は、テンソルpredictions - labels * log(predictions) 。

ラベルと予測の間のスパースカテゴリカルクロスエントロピー損失を計算します。

ラベルと予測の間の二乗ヒンジ損失を計算します。

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