Losses

Hệ số Fuzz mặc định.

Tính toán tổn thất entropy chéo nhị phân giữa nhãn và dự đoán.

Tính toán tổn thất entropy chéo phân loại giữa nhãn và dự đoán.

Tính toán tổn thất bản lề phân loại giữa nhãn và dự đoán.

Tính toán tổn thất tương tự cosin giữa nhãn và dự đoán.

Lưu ý rằng đó là một số nằm trong khoảng từ -1 đến 1 , khác với định nghĩa toán học về độ tương tự cosine trong đó 1 đại diện cho các vectơ tương tự và 0 đại diện cho các vectơ không giống nhau. Trong hàm này, các số được đảo ngược trong phạm vi từ -1 đến 1 . Khi đó là số âm trong khoảng từ -1 đến 0 , 0 biểu thị tính trực giao và các giá trị gần -1 biểu thị mức độ tương tự lớn hơn. Các giá trị gần 1 hơn cho thấy sự khác biệt lớn hơn. Điều này làm cho nó có thể được sử dụng như một hàm mất mát trong cài đặt mà bạn cố gắng tối đa hóa khoảng cách giữa các dự đoán và mục tiêu. Nếu nhãn hoặc dự đoán là vectơ bằng 0 thì độ tương tự cosine sẽ bằng 0 bất kể khoảng cách giữa dự đoán và mục tiêu.

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

Tính toán tổn thất bản lề giữa nhãn và dự đoán

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

Tính toán tổn thất Huber giữa nhãn và dự đoán.

Đối với mỗi giá trị x trong error = labels - dự đoán:

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

trong đó d là delta.

Tính toán tổn thất phân kỳ Kullback-Leibler giữa nhãn và dự đoán.

Chuẩn hóa dọc theo trục kích thước bằng cách sử dụng định mức L2.

Tính toán tổn thất cosin hyperbol giữa nhãn và dự đoán.

log(cosh(x)) xấp xỉ bằng (x ** 2) / 2 đối với x nhỏ và abs(x) - log(2) đối với x lớn . Điều này có nghĩa là 'logCosh' hoạt động chủ yếu giống như lỗi bình phương trung bình, nhưng sẽ không bị ảnh hưởng mạnh mẽ bởi dự đoán đôi khi cực kỳ sai.

Tính toán sai số tuyệt đối trung bình giữa nhãn và dự đoán.

loss = reduceMean(abs(labels - predictions))

Tính toán sai số phần trăm tuyệt đối trung bình giữa nhãn và dự đoán.

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

Tính toán sai số bình phương trung bình giữa nhãn và dự đoán.

loss = reduceMean(square(labels - predictions))

Tính toán sai số logarit bình phương trung bình giữa các nhãn và dự đoán.

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

Tính toán tổn thất Poisson giữa nhãn và dự đoán.

Mất Poisson là giá trị trung bình của các phần tử trong predictions - labels * log(predictions) .

Tính toán tổn thất entropy chéo phân loại thưa thớt giữa nhãn và dự đoán.

Tính toán tổn thất bản lề bình phương giữa các nhãn và dự đoán.

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