SquaredHinge

تلفات لولای مجذور بین برچسب ها و پیش بینی ها را محاسبه می کند.

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

انتظار می رود مقادیر labels -1 یا 1 باشد. اگر برچسب های باینری (0 یا 1) ارائه شود، آنها به -1 یا 1 تبدیل می شوند.

استفاده مستقل:

    Operand<TFloat32> labels =
        tf.constant(new float[][] { {0., 1.}, {0., 0.} });
    Operand<TFloat32> predictions =
        tf.constant(new float[][] { {0.6f, 0.4f}, {0.4f, 0.6f} });
    SquaredHinge squaredHinge = new SquaredHinge(tf);
    Operand<TFloat32> result = squaredHinge.call(labels, predictions);
    // produces 1.86f
 

تماس با وزن نمونه:

    Operand<TFloat32> sampleWeight = tf.constant(new float[] {1.f, 0.f});
    Operand<TFloat32> result = squaredHinge.call(labels, predictions,
                                                  sampleWeight);
    // produces 0.73f
 

با استفاده از نوع کاهش SUM :

    SquaredHinge squaredHinge = new SquaredHinge(tf, Reduction.SUM);
    Operand<TFloat32> result = squaredHinge.call(labels, predictions);
    // produces 3.72f
 

استفاده از نوع کاهش NONE :

    SquaredHinge squaredHinge = new SquaredHinge(tf, Reduction.NONE);
    Operand<TFloat32> result = squaredHinge.call(labels, predictions);
    // produces [1.46f, 2.26f]