"最大间隔"分类的 Hinge 损失

[源代码]

Hinge 类

keras.losses.Hinge(reduction="sum_over_batch_size", name="hinge", dtype=None)

计算y_true和y_pred之间的 Hinge 损失。

公式

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

预期y_true值为 -1 或 1。如果提供二进制（0 或 1）标签，我们将将其转换为 -1 或 1。

参数

• reduction: 应用于损失的约简类型。在几乎所有情况下，这都应该是"sum_over_batch_size"。支持的选项包括"sum"、"sum_over_batch_size"、"mean"、"mean_with_sample_weight"或None。"sum"对损失进行求和，"sum_over_batch_size"和"mean"对损失进行求和并除以样本大小，而"mean_with_sample_weight"对损失进行求和并除以样本权重的总和。"none"和None不执行任何聚合。默认为"sum_over_batch_size"。
• name: 损失实例的可选名称。
• dtype: 损失计算的数据类型。默认为None，这意味着使用keras.backend.floatx()。keras.backend.floatx()为"float32"，除非设置为不同的值（通过keras.backend.set_floatx()）。如果提供了keras.DTypePolicy，则将使用compute_dtype。

[源代码]

SquaredHinge 类

keras.losses.SquaredHinge(
    reduction="sum_over_batch_size", name="squared_hinge", dtype=None
)

计算y_true和y_pred之间的平方 Hinge 损失。

公式

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

预期y_true值为 -1 或 1。如果提供二进制（0 或 1）标签，我们将将其转换为 -1 或 1。

参数

• reduction: 应用于损失的约简类型。在几乎所有情况下，这都应该是"sum_over_batch_size"。支持的选项包括"sum"、"sum_over_batch_size"、"mean"、"mean_with_sample_weight"或None。"sum"对损失进行求和，"sum_over_batch_size"和"mean"对损失进行求和并除以样本大小，而"mean_with_sample_weight"对损失进行求和并除以样本权重的总和。"none"和None不执行任何聚合。默认为"sum_over_batch_size"。
• name: 损失实例的可选名称。
• dtype: 损失计算的数据类型。默认为None，这意味着使用keras.backend.floatx()。keras.backend.floatx()为"float32"，除非设置为不同的值（通过keras.backend.set_floatx()）。如果提供了keras.DTypePolicy，则将使用compute_dtype。

[源代码]

CategoricalHinge 类

keras.losses.CategoricalHinge(
    reduction="sum_over_batch_size", name="categorical_hinge", dtype=None
)

计算y_true和y_pred之间的分类 Hinge 损失。

公式

loss = maximum(neg - pos + 1, 0)

其中neg=maximum((1-y_true)*y_pred)且pos=sum(y_true*y_pred)

参数

• reduction: 应用于损失的约简类型。在几乎所有情况下，这都应该是"sum_over_batch_size"。支持的选项包括"sum"、"sum_over_batch_size"、"mean"、"mean_with_sample_weight"或None。"sum"对损失进行求和，"sum_over_batch_size"和"mean"对损失进行求和并除以样本大小，而"mean_with_sample_weight"对损失进行求和并除以样本权重的总和。"none"和None不执行任何聚合。默认为"sum_over_batch_size"。
• name: 损失实例的可选名称。
• dtype: 损失计算的数据类型。默认为None，这意味着使用keras.backend.floatx()。keras.backend.floatx()为"float32"，除非设置为不同的值（通过keras.backend.set_floatx()）。如果提供了keras.DTypePolicy，则将使用compute_dtype。

[源代码]

hinge 函数

keras.losses.hinge(y_true, y_pred)

计算y_true和y_pred之间的 Hinge 损失。

公式

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

参数

• y_true: 真实值。预期y_true值为 -1 或 1。如果提供二进制（0 或 1）标签，则将其转换为 -1 或 1，形状为[batch_size, d0, .. dN]。
• y_pred: 预测值，形状为[batch_size, d0, .. dN]。

返回值

Hinge 损失值，形状为[batch_size, d0, .. dN-1]。

示例

>>> y_true = np.random.choice([-1, 1], size=(2, 3))
>>> y_pred = np.random.random(size=(2, 3))
>>> loss = keras.losses.hinge(y_true, y_pred)

[源代码]

squared_hinge 函数

keras.losses.squared_hinge(y_true, y_pred)

计算y_true和y_pred之间的平方 Hinge 损失。

公式

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

参数

• y_true: 真实值。预期y_true值为 -1 或 1。如果提供二进制（0 或 1）标签，则将其转换为 -1 或 1，形状为[batch_size, d0, .. dN]。
• y_pred: 预测值，形状为[batch_size, d0, .. dN]。

返回值

平方 Hinge 损失值，形状为[batch_size, d0, .. dN-1]。

示例

>>> y_true = np.random.choice([-1, 1], size=(2, 3))
>>> y_pred = np.random.random(size=(2, 3))
>>> loss = keras.losses.squared_hinge(y_true, y_pred)

[源代码]

categorical_hinge 函数

keras.losses.categorical_hinge(y_true, y_pred)

计算y_true和y_pred之间的分类 Hinge 损失。

公式

loss = maximum(neg - pos + 1, 0)

其中neg=maximum((1-y_true)*y_pred)且pos=sum(y_true*y_pred)

参数

• y_true: 真实值。预期y_true值为{-1, +1}或{0, 1}（即，一个独热编码张量），形状为[batch_size, d0, .. dN]。
• y_pred: 预测值，形状为[batch_size, d0, .. dN]。

返回值

分类 Hinge 损失值，形状为[batch_size, d0, .. dN-1]。

示例

>>> y_true = np.random.randint(0, 3, size=(2,))
>>> y_true = np.eye(np.max(y_true) + 1)[y_true]
>>> y_pred = np.random.random(size=(2, 3))
>>> loss = keras.losses.categorical_hinge(y_true, y_pred)