Losses

ปัจจัย Fuzz เริ่มต้น

คำนวณการสูญเสีย crossentropy แบบไบนารีระหว่างป้ายกำกับและการทำนาย

คำนวณการสูญเสียข้ามเอนโทรปีอย่างเด็ดขาดระหว่างป้ายกำกับและการทำนาย

คำนวณการสูญเสียบานพับตามหมวดหมู่ระหว่างป้ายกำกับและการคาดคะเน

คำนวณการสูญเสียความคล้ายคลึงของโคไซน์ระหว่างป้ายกำกับและการทำนาย

โปรดทราบว่ามันเป็นตัวเลขระหว่าง -1 ถึง 1 ซึ่งแตกต่างจากคำจำกัดความทางคณิตศาสตร์ของความคล้ายคลึงโคไซน์ โดยที่ 1 แทนเวกเตอร์ที่คล้ายกัน และ 0 แทนเวกเตอร์ที่แตกต่างกัน ในฟังก์ชันนี้ ตัวเลขจะกลับด้านในช่วง -1 ถึง 1 เมื่อเป็นจำนวนลบระหว่าง -1 ถึง 0 0 จะบ่งบอกถึงความตั้งฉาก และค่าที่ใกล้กับ -1 จะบ่งบอกถึงความคล้ายคลึงกันมากขึ้น ค่าที่ใกล้กับ 1 แสดงถึงความแตกต่างที่มากขึ้น ซึ่งทำให้สามารถใช้เป็นฟังก์ชันการสูญเสียในการตั้งค่าที่คุณพยายามเพิ่มความใกล้เคียงระหว่างการคาดการณ์และเป้าหมายให้สูงสุด หากป้ายกำกับหรือการทำนายเป็นเวกเตอร์เป็นศูนย์ ความคล้ายคลึงของโคไซน์จะเป็น 0 โดยไม่คำนึงถึงระยะห่างระหว่างการทำนายและเป้าหมาย

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

คำนวณการสูญเสียบานพับระหว่างป้ายกำกับและการคาดคะเน

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

คำนวณการสูญเสียของ Huber ระหว่างป้ายกำกับและการทำนาย

สำหรับแต่ละค่า x ในข้อผิดพลาด = ป้ายกำกับ - การคาดคะเน:

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

โดยที่ d คือเดลต้า

คำนวณการสูญเสียความแตกต่างระหว่าง Kullback-Leibler ระหว่างป้ายกำกับและการคาดคะเน

ทำให้เป็นมาตรฐานตามแกนมิติโดยใช้บรรทัดฐาน L2

คำนวณการสูญเสียโคไซน์ไฮเปอร์โบลิกระหว่างป้ายกำกับและการคาดคะเน

log(cosh(x)) มีค่าประมาณเท่ากับ (x ** 2) / 2 สำหรับ x ขนาดเล็ก และถึง abs(x) - log(2) สำหรับ large x ซึ่งหมายความว่า 'logCosh' ทำงานเหมือนกับข้อผิดพลาดกำลังสองเฉลี่ยเป็นส่วนใหญ่ แต่จะไม่ได้รับผลกระทบอย่างรุนแรงจากการทำนายที่ไม่ถูกต้องอย่างมากในบางครั้ง

คำนวณค่าความคลาดเคลื่อนสัมบูรณ์เฉลี่ยระหว่างป้ายกำกับและการคาดคะเน

loss = reduceMean(abs(labels - predictions))

คำนวณเปอร์เซ็นต์ข้อผิดพลาดเฉลี่ยสัมบูรณ์ระหว่างป้ายกำกับและการคาดคะเน

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

คำนวณค่าคลาดเคลื่อนกำลังสองเฉลี่ยระหว่างป้ายกำกับและการคาดคะเน

loss = reduceMean(square(labels - predictions))

คำนวณค่าคลาดเคลื่อนลอการิทึมกำลังสองเฉลี่ยระหว่างป้ายกำกับและการคาดคะเน

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

คำนวณการสูญเสียปัวซองระหว่างป้ายกำกับและการทำนาย

การสูญเสียปัวซองเป็นค่าเฉลี่ยขององค์ประกอบของ predictions - labels * log(predictions)

คำนวณการสูญเสียข้ามเอนโทรปีแบบกระจัดกระจายระหว่างป้ายกำกับและการทำนาย

คำนวณการสูญเสียบานพับกำลังสองระหว่างป้ายกำกับและการคาดคะเน

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