Losses

Domyślny współczynnik rozmycia.

Oblicza binarną stratę entropii krzyżowej między etykietami i przewidywaniami.

Oblicza kategoryczną utratę entropii krzyżowej między etykietami i prognozami.

Oblicza kategoryczną utratę zawiasów między etykietami i przewidywaniami.

Oblicza utratę podobieństwa cosinus między etykietami i przewidywaniami.

Należy zauważyć, że jest to liczba z zakresu od -1 do 1 , co różni się od matematycznej definicji podobieństwa cosinus, gdzie 1 oznacza podobne wektory, a 0 oznacza różne wektory. W tej funkcji liczby są odwracane w zakresie od -1 do 1 . Gdy jest to liczba ujemna z zakresu od -1 do 0 , 0 oznacza ortogonalność, a wartości bliższe -1 oznaczają większe podobieństwo. Wartości bliższe 1 wskazują na większą odmienność. Dzięki temu można jej używać jako funkcji straty w otoczeniu, w którym próbuje się zmaksymalizować bliskość między prognozami a celami. Jeśli etykieta lub przewidywanie jest wektorem zerowym, podobieństwo cosinus będzie wynosić 0 niezależnie od bliskości przewidywań i celów.

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

Oblicza utratę zawiasów między etykietami i przewidywaniami

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

Oblicza stratę Hubera między etykietami i prognozami.

Dla każdej wartości x w błędzie = etykiety - przewidywania:

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

gdzie d jest deltą.

Oblicza utratę dywergencji Kullbacka-Leiblera między etykietami i prognozami.

Normalizuje wzdłuż osi wymiaru przy użyciu normy L2.

Oblicza stratę cosinusa hiperbolicznego między etykietami i przewidywaniami.

log(cosh(x)) jest w przybliżeniu równe (x ** 2) / 2 dla małego x i abs(x) - log(2) dla dużego x . Oznacza to, że „logCosh” działa głównie jak błąd średniokwadratowy, ale sporadyczne bardzo nieprawidłowe przewidywania nie mają na niego tak dużego wpływu.

Oblicza średni błąd bezwzględny między etykietami i przewidywaniami.

loss = reduceMean(abs(labels - predictions))

Oblicza średni bezwzględny błąd procentowy między etykietami i przewidywaniami.

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

Oblicza średni błąd kwadratowy między etykietami i przewidywaniami.

loss = reduceMean(square(labels - predictions))

Oblicza średni kwadrat błędu logarytmicznego między etykietami i przewidywaniami.

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

Oblicza stratę Poissona między etykietami i prognozami.

Strata Poissona jest średnią elementów predictions - labels * log(predictions) .

Oblicza rzadką kategoryczną utratę entropii krzyżowej między etykietami i prognozami.

Oblicza kwadratową utratę zawiasów między etykietami i przewidywaniami.

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