Losses

Коэффициент нечеткости по умолчанию.

Вычисляет потерю двоичной кроссэнтропии между метками и прогнозами.

Вычисляет категориальную потерю кроссэнтропии между метками и прогнозами.

Вычисляет категориальную потерю шарнира между метками и прогнозами.

Вычисляет потерю косинусного сходства между метками и прогнозами.

Обратите внимание, что это число от -1 до 1 , что отличается от математического определения косинусного сходства, где 1 представляет похожие векторы, а 0 представляет разные векторы. В этой функции числа инвертируются в диапазоне от -1 до 1 . Если это отрицательное число между -1 и 0 , 0 указывает на ортогональность, а значения ближе к -1 указывают на большее сходство. Значения ближе к 1 указывают на большее различие. Это позволяет использовать ее в качестве функции потерь в условиях, когда вы пытаетесь максимизировать близость между прогнозами и целями. Если метки или прогнозы представляют собой нулевой вектор, косинусное сходство будет равно 0 независимо от близости между прогнозами и целями.

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

Вычисляет потерю шарнира между метками и прогнозами.

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

Вычисляет потерю Хубера между метками и прогнозами.

Для каждого значения x в ошибке = метки – прогнозы:

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

где d — дельта.

Вычисляет потерю расхождения Кульбака-Лейблера между метками и прогнозами.

Нормализует вдоль оси измерения с использованием нормы L2.

Вычисляет потерю гиперболического косинуса между метками и прогнозами.

log(cosh(x)) примерно равен (x ** 2) / 2 для малых x и abs(x) - log(2) для больших x . Это означает, что logCosh работает в основном как среднеквадратическая ошибка, но на него не так сильно влияют случайные совершенно неверные прогнозы.

Вычисляет среднюю абсолютную ошибку между метками и прогнозами.

loss = reduceMean(abs(labels - predictions))

Вычисляет среднюю абсолютную процентную ошибку между метками и прогнозами.

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

Вычисляет среднеквадратическую ошибку между метками и прогнозами.

loss = reduceMean(square(labels - predictions))

Вычисляет среднеквадратичную логарифмическую ошибку между метками и прогнозами.

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

Вычисляет потерю Пуассона между метками и прогнозами.

Потери Пуассона — это среднее значение элементов predictions - labels * log(predictions) .

Вычисляет разреженную категориальную кроссэнтропийную потерю между метками и прогнозами.

Вычисляет квадрат потерь шарнира между метками и прогнозами.

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