Losses

Varsayılan Fuzz faktörü.

Etiketler ve tahminler arasındaki ikili çapraz entropi kaybını hesaplar.

Etiketler ve tahminler arasındaki kategorik çapraz entropi kaybını hesaplar.

Etiketler ve tahminler arasındaki kategorik menteşe kaybını hesaplar.

Etiketler ve tahminler arasındaki kosinüs benzerlik kaybını hesaplar.

Bunun -1 ile 1 arasında bir sayı olduğunu ve bunun, 1 benzer vektörleri temsil ettiği ve 0 benzer olmayan vektörleri temsil ettiği kosinüs benzerliğinin matematiksel tanımından farklı olduğunu unutmayın. Bu fonksiyonda sayılar -1 ila 1 aralığında tersine çevrilir. -1 ile 0 arasında negatif bir sayı olduğunda, 0 ortogonalliği, -1 yakın değerler ise benzerliğin daha fazla olduğunu gösterir. 1 yakın değerler farklılığın daha fazla olduğunu gösterir. Bu, tahminler ve hedefler arasındaki yakınlığı en üst düzeye çıkarmaya çalıştığınız bir ortamda onu bir kayıp fonksiyonu olarak kullanılabilir hale getirir. Etiketler veya tahminlerden biri sıfır vektör ise kosinüs benzerliği, tahminler ve hedefler arasındaki yakınlığa bakılmaksızın 0 olacaktır.

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

Etiketler ve tahminler arasındaki menteşe kaybını hesaplar

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

Etiketler ve tahminler arasındaki Huber kaybını hesaplar.

Hatadaki her x değeri için = etiketler - tahminler:

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

burada d deltadır.

Etiketler ve tahminler arasındaki Kullback-Leibler sapma kaybını hesaplar.

L2 normunu kullanarak boyut ekseni boyunca normalleştirir.

Etiketler ve tahminler arasındaki hiperbolik kosinüs kaybını hesaplar.

log(cosh(x)) yaklaşık olarak küçük x için (x ** 2) / 2 ve büyük x için abs(x) - log(2) 'ye eşittir. Bu, 'logCosh'un çoğunlukla ortalama kare hatası gibi çalıştığı, ancak ara sıra yapılan son derece yanlış tahminlerden çok fazla etkilenmeyeceği anlamına gelir.

Etiketler ve tahminler arasındaki ortalama mutlak hatayı hesaplar.

loss = reduceMean(abs(labels - predictions))

Etiketler ve tahminler arasındaki ortalama mutlak yüzde hatasını hesaplar.

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

Etiketler ve tahminler arasındaki ortalama kare hatasını hesaplar.

loss = reduceMean(square(labels - predictions))

Etiketler ve tahminler arasındaki ortalama kare logaritmik hatayı hesaplar.

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

Etiketler ve tahminler arasındaki Poisson kaybını hesaplar.

Poisson kaybı, Tensör predictions - labels * log(predictions) .

Etiketler ve tahminler arasındaki seyrek kategorik çapraz entropi kaybını hesaplar.

Etiketler ve tahminler arasındaki kare menteşe kaybını hesaplar.

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