► Keras 2 API 文档 / 损失函数 / 合页损失（Hinge Loss）用于“最大间隔”分类

合页损失（Hinge Loss）用于“最大间隔”分类

`Hinge` 类

tf_keras.losses.Hinge(reduction="auto", name="hinge")

计算 y_true 和 y_pred 之间的合页损失。

loss = maximum(1 - y_true * y_pred, 0)

y_true 期望值为 -1 或 1。如果提供了二元（0 或 1）标签，我们会将其转换为 -1 或 1。

独立用法

>>> y_true = [[0., 1.], [0., 0.]]
>>> y_pred = [[0.6, 0.4], [0.4, 0.6]]
>>> # Using 'auto'/'sum_over_batch_size' reduction type.
>>> h = tf.keras.losses.Hinge()
>>> h(y_true, y_pred).numpy()
1.3

>>> # Calling with 'sample_weight'.
>>> h(y_true, y_pred, sample_weight=[1, 0]).numpy()
0.55

>>> # Using 'sum' reduction type.
>>> h = tf.keras.losses.Hinge(
...     reduction=tf.keras.losses.Reduction.SUM)
>>> h(y_true, y_pred).numpy()
2.6

>>> # Using 'none' reduction type.
>>> h = tf.keras.losses.Hinge(
...     reduction=tf.keras.losses.Reduction.NONE)
>>> h(y_true, y_pred).numpy()
array([1.1, 1.5], dtype=float32)

与 compile() API 一起使用

model.compile(optimizer='sgd', loss=tf.keras.losses.Hinge())

[source]

`SquaredHinge` 类

tf_keras.losses.SquaredHinge(reduction="auto", name="squared_hinge")

计算 y_true 和 y_pred 之间的平方合页损失。

loss = square(maximum(1 - y_true * y_pred, 0))

y_true 期望值为 -1 或 1。如果提供了二元（0 或 1）标签，我们会将其转换为 -1 或 1。

独立用法

>>> y_true = [[0., 1.], [0., 0.]]
>>> y_pred = [[0.6, 0.4], [0.4, 0.6]]
>>> # Using 'auto'/'sum_over_batch_size' reduction type.
>>> h = tf.keras.losses.SquaredHinge()
>>> h(y_true, y_pred).numpy()
1.86

>>> # Calling with 'sample_weight'.
>>> h(y_true, y_pred, sample_weight=[1, 0]).numpy()
0.73

>>> # Using 'sum' reduction type.
>>> h = tf.keras.losses.SquaredHinge(
...     reduction=tf.keras.losses.Reduction.SUM)
>>> h(y_true, y_pred).numpy()
3.72

>>> # Using 'none' reduction type.
>>> h = tf.keras.losses.SquaredHinge(
...     reduction=tf.keras.losses.Reduction.NONE)
>>> h(y_true, y_pred).numpy()
array([1.46, 2.26], dtype=float32)

与 compile() API 一起使用

model.compile(optimizer='sgd', loss=tf.keras.losses.SquaredHinge())

[source]

`CategoricalHinge` 类

tf_keras.losses.CategoricalHinge(reduction="auto", name="categorical_hinge")

计算 y_true 和 y_pred 之间的分类合页损失。

loss = maximum(neg - pos + 1, 0) 其中 neg=maximum((1-y_true)*y_pred) and pos=sum(y_true*y_pred)

独立用法

>>> y_true = [[0, 1], [0, 0]]
>>> y_pred = [[0.6, 0.4], [0.4, 0.6]]
>>> # Using 'auto'/'sum_over_batch_size' reduction type.
>>> h = tf.keras.losses.CategoricalHinge()
>>> h(y_true, y_pred).numpy()
1.4

>>> # Calling with 'sample_weight'.
>>> h(y_true, y_pred, sample_weight=[1, 0]).numpy()
0.6

>>> # Using 'sum' reduction type.
>>> h = tf.keras.losses.CategoricalHinge(
...     reduction=tf.keras.losses.Reduction.SUM)
>>> h(y_true, y_pred).numpy()
2.8

>>> # Using 'none' reduction type.
>>> h = tf.keras.losses.CategoricalHinge(
...     reduction=tf.keras.losses.Reduction.NONE)
>>> h(y_true, y_pred).numpy()
array([1.2, 1.6], dtype=float32)

与 compile() API 一起使用

model.compile(optimizer='sgd', loss=tf.keras.losses.CategoricalHinge())

[source]

`hinge` 函数

tf_keras.losses.hinge(y_true, y_pred)

计算 y_true 和 y_pred 之间的合页损失。

loss = mean(maximum(1 - y_true * y_pred, 0), axis=-1)

独立用法

>>> y_true = np.random.choice([-1, 1], size=(2, 3))
>>> y_pred = np.random.random(size=(2, 3))
>>> loss = tf.keras.losses.hinge(y_true, y_pred)
>>> assert loss.shape == (2,)
>>> assert np.array_equal(
...     loss.numpy(),
...     np.mean(np.maximum(1. - y_true * y_pred, 0.), axis=-1))

参数

y_true: 真实值。y_true 期望值为 -1 或 1。如果提供了二元（0 或 1）标签，我们会将其转换为 -1 或 1。shape = [batch_size, d0, .. dN]。
y_pred: 预测值。shape = [batch_size, d0, .. dN]。

返回值

合页损失值。shape = [batch_size, d0, .. dN-1]。

[source]

`squared_hinge` 函数

tf_keras.losses.squared_hinge(y_true, y_pred)

计算 y_true 和 y_pred 之间的平方合页损失。

loss = mean(square(maximum(1 - y_true * y_pred, 0)), axis=-1)

独立用法

>>> y_true = np.random.choice([-1, 1], size=(2, 3))
>>> y_pred = np.random.random(size=(2, 3))
>>> loss = tf.keras.losses.squared_hinge(y_true, y_pred)
>>> assert loss.shape == (2,)
>>> assert np.array_equal(
...     loss.numpy(),
...     np.mean(np.square(np.maximum(1. - y_true * y_pred, 0.)), axis=-1))

参数

y_true: 真实值。y_true 期望值为 -1 或 1。如果提供了二元（0 或 1）标签，我们会将其转换为 -1 或 1。shape = [batch_size, d0, .. dN]。
y_pred: 预测值。shape = [batch_size, d0, .. dN]。

返回值

平方合页损失值。shape = [batch_size, d0, .. dN-1]。

[source]

`categorical_hinge` 函数

tf_keras.losses.categorical_hinge(y_true, y_pred)

计算 y_true 和 y_pred 之间的分类合页损失。

loss = maximum(neg - pos + 1, 0) 其中 neg=maximum((1-y_true)*y_pred) and pos=sum(y_true*y_pred)

独立用法

>>> y_true = np.random.randint(0, 3, size=(2,))
>>> y_true = tf.keras.utils.to_categorical(y_true, num_classes=3)
>>> y_pred = np.random.random(size=(2, 3))
>>> loss = tf.keras.losses.categorical_hinge(y_true, y_pred)
>>> assert loss.shape == (2,)
>>> pos = np.sum(y_true * y_pred, axis=-1)
>>> neg = np.amax((1. - y_true) * y_pred, axis=-1)
>>> assert np.array_equal(loss.numpy(), np.maximum(0., neg - pos + 1.))