回归损失函数

`MeanSquaredError` 类

keras.losses.MeanSquaredError(
    reduction="sum_over_batch_size", name="mean_squared_error", dtype=None
)

计算标签与预测值之间误差的平方的平均值。

公式

loss = mean(square(y_true - y_pred))

参数

reduction：要应用于损失的归约类型。几乎所有情况下，这都应该是 "sum_over_batch_size"。支持的选项有 "sum"、"sum_over_batch_size"、"mean"、"mean_with_sample_weight" 或 None。"sum" 对损失求和，"sum_over_batch_size" 和 "mean" 对损失求和并除以样本大小，而 "mean_with_sample_weight" 对损失求和并除以样本权重的总和。"none" 和 None 不执行聚合。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() 是 "float32"，除非将其设置为不同值（通过 keras.backend.set_floatx()）。如果提供了 keras.DTypePolicy，则将使用 compute_dtype。

[源代码]

`MeanAbsoluteError` 类

keras.losses.MeanAbsoluteError(
    reduction="sum_over_batch_size", name="mean_absolute_error", dtype=None
)

计算标签与预测值之间绝对差的平均值。

公式

loss = mean(abs(y_true - y_pred))

参数

reduction：要应用于损失的归约类型。几乎所有情况下，这都应该是 "sum_over_batch_size"。支持的选项有 "sum"、"sum_over_batch_size"、"mean"、"mean_with_sample_weight" 或 None。"sum" 对损失求和，"sum_over_batch_size" 和 "mean" 对损失求和并除以样本大小，而 "mean_with_sample_weight" 对损失求和并除以样本权重的总和。"none" 和 None 不执行聚合。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() 是 "float32"，除非将其设置为不同值（通过 keras.backend.set_floatx()）。如果提供了 keras.DTypePolicy，则将使用 compute_dtype。

[源代码]

`MeanAbsolutePercentageError` 类

keras.losses.MeanAbsolutePercentageError(
    reduction="sum_over_batch_size", name="mean_absolute_percentage_error", dtype=None
)

计算 y_true 与 y_pred 之间平均绝对百分比误差。

公式

loss = 100 * mean(abs((y_true - y_pred) / y_true))

参数

reduction：要应用于损失的归约类型。几乎所有情况下，这都应该是 "sum_over_batch_size"。支持的选项有 "sum"、"sum_over_batch_size"、"mean"、"mean_with_sample_weight" 或 None。"sum" 对损失求和，"sum_over_batch_size" 和 "mean" 对损失求和并除以样本大小，而 "mean_with_sample_weight" 对损失求和并除以样本权重的总和。"none" 和 None 不执行聚合。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() 是 "float32"，除非将其设置为不同值（通过 keras.backend.set_floatx()）。如果提供了 keras.DTypePolicy，则将使用 compute_dtype。

[源代码]

`MeanSquaredLogarithmicError` 类

keras.losses.MeanSquaredLogarithmicError(
    reduction="sum_over_batch_size", name="mean_squared_logarithmic_error", dtype=None
)

计算 y_true 与 y_pred 之间平均平方对数误差。

公式

loss = mean(square(log(y_true + 1) - log(y_pred + 1)))

参数

reduction：要应用于损失的归约类型。几乎所有情况下，这都应该是 "sum_over_batch_size"。支持的选项有 "sum"、"sum_over_batch_size"、"mean"、"mean_with_sample_weight" 或 None。"sum" 对损失求和，"sum_over_batch_size" 和 "mean" 对损失求和并除以样本大小，而 "mean_with_sample_weight" 对损失求和并除以样本权重的总和。"none" 和 None 不执行聚合。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() 是 "float32"，除非将其设置为不同值（通过 keras.backend.set_floatx()）。如果提供了 keras.DTypePolicy，则将使用 compute_dtype。

[源代码]

`CosineSimilarity` 类

keras.losses.CosineSimilarity(
    axis=-1, reduction="sum_over_batch_size", name="cosine_similarity", dtype=None
)

计算 y_true 与 y_pred 之间的余弦相似度。

请注意，其值介于 -1 和 1 之间。当其值为 -1 和 0 之间的负数时，0 表示正交，值越接近 -1 表示相似度越高。这使其在试图最大化预测值与目标值之间接近度的场景中可用作损失函数。如果 y_true 或 y_pred 是零向量，则余弦相似度将为 0，而与预测值和目标值之间的接近度无关。

公式

loss = -sum(l2_norm(y_true) * l2_norm(y_pred))

参数

axis: 计算余弦相似度的轴（特征轴）。默认为 -1。
reduction：要应用于损失的归约类型。几乎所有情况下，这都应该是 "sum_over_batch_size"。支持的选项有 "sum"、"sum_over_batch_size"、"mean"、"mean_with_sample_weight" 或 None。"sum" 对损失求和，"sum_over_batch_size" 和 "mean" 对损失求和并除以样本大小，而 "mean_with_sample_weight" 对损失求和并除以样本权重的总和。"none" 和 None 不执行聚合。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() 是 "float32"，除非将其设置为不同值（通过 keras.backend.set_floatx()）。如果提供了 keras.DTypePolicy，则将使用 compute_dtype。

[源代码]

`Huber` 类

keras.losses.Huber(
    delta=1.0, reduction="sum_over_batch_size", name="huber_loss", dtype=None
)

计算 y_true 与 y_pred 之间的 Huber 损失。

公式

for x in error:
    if abs(x) <= delta:
        loss.append(0.5 * x^2)
    elif abs(x) > delta:
        loss.append(delta * abs(x) - 0.5 * delta^2)

loss = mean(loss, axis=-1)

参见：Huber 损失。

参数

delta: 一个浮点数，Huber 损失函数从二次变为线性的点。
reduction：要应用于损失的归约类型。几乎所有情况下，这都应该是 "sum_over_batch_size"。支持的选项有 "sum"、"sum_over_batch_size"、"mean"、"mean_with_sample_weight" 或 None。"sum" 对损失求和，"sum_over_batch_size" 和 "mean" 对损失求和并除以样本大小，而 "mean_with_sample_weight" 对损失求和并除以样本权重的总和。"none" 和 None 不执行聚合。默认为 "sum_over_batch_size"。
name: 此实例的可选名称。
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() 是 "float32"，除非将其设置为不同值（通过 keras.backend.set_floatx()）。如果提供了 keras.DTypePolicy，则将使用 compute_dtype。

[源代码]

`LogCosh` 类

keras.losses.LogCosh(reduction="sum_over_batch_size", name="log_cosh", dtype=None)

计算预测误差的双曲余弦的对数。

公式

error = y_pred - y_true
logcosh = mean(log((exp(error) + exp(-error))/2), axis=-1)`

其中 x 是误差 y_pred - y_true。

参数

reduction：要应用于损失的归约类型。几乎所有情况下，这都应该是 "sum_over_batch_size"。支持的选项有 "sum"、"sum_over_batch_size"、"mean"、"mean_with_sample_weight" 或 None。"sum" 对损失求和，"sum_over_batch_size" 和 "mean" 对损失求和并除以样本大小，而 "mean_with_sample_weight" 对损失求和并除以样本权重的总和。"none" 和 None 不执行聚合。默认为 "sum_over_batch_size"。
name: 此实例的可选名称。
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() 是 "float32"，除非将其设置为不同值（通过 keras.backend.set_floatx()）。如果提供了 keras.DTypePolicy，则将使用 compute_dtype。

[源代码]

`Tversky` 类

keras.losses.Tversky(
    alpha=0.5,
    beta=0.5,
    reduction="sum_over_batch_size",
    name="tversky",
    axis=None,
    dtype=None,
)

计算 y_true 和 y_pred 之间的 Tversky 损失值。

此损失函数由 alpha 和 beta 系数加权，以惩罚假阳性和假阴性。

当 alpha=0.5 和 beta=0.5 时，损失值等同于 Dice 损失。

参数

alpha: 控制假阳性发生率的系数。默认为 0.5。
beta: 控制假阴性发生率的系数。默认为 0.5。
reduction：要应用于损失的归约类型。几乎所有情况下，这都应该是 "sum_over_batch_size"。支持的选项有 "sum"、"sum_over_batch_size"、"mean"、"mean_with_sample_weight" 或 None。"sum" 对损失求和，"sum_over_batch_size" 和 "mean" 对损失求和并除以样本大小，而 "mean_with_sample_weight" 对损失求和并除以样本权重的总和。"none" 和 None 不执行聚合。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() 是 "float32"，除非将其设置为不同值（通过 keras.backend.set_floatx()）。如果提供了 keras.DTypePolicy，则将使用 compute_dtype。

Tversky 损失值。

参考

Salehi 等人，2017

[源代码]

`Dice` 类

keras.losses.Dice(
    reduction="sum_over_batch_size", name="dice", axis=None, dtype=None
)

计算 y_true 和 y_pred 之间的 Dice 损失值。

公式

loss = 1 - (2 * sum(y_true * y_pred)) / (sum(y_true) + sum(y_pred))

参数

reduction：要应用于损失的归约类型。几乎所有情况下，这都应该是 "sum_over_batch_size"。支持的选项有 "sum"、"sum_over_batch_size"、"mean"、"mean_with_sample_weight" 或 None。"sum" 对损失求和，"sum_over_batch_size" 和 "mean" 对损失求和并除以样本大小，而 "mean_with_sample_weight" 对损失求和并除以样本权重的总和。"none" 和 None 不执行聚合。默认为 "sum_over_batch_size"。
name: 损失实例的可选名称。
axis: 计算损失值的维度元组。默认为 None。
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() 是 "float32"，除非将其设置为不同值（通过 keras.backend.set_floatx()）。如果提供了 keras.DTypePolicy，则将使用 compute_dtype。

Dice 损失值。

示例

>>> y_true = [[[[1.0], [1.0]], [[0.0], [0.0]]],
...           [[[1.0], [1.0]], [[0.0], [0.0]]]]
>>> y_pred = [[[[0.0], [1.0]], [[0.0], [1.0]]],
...           [[[0.4], [0.0]], [[0.0], [0.9]]]]
>>> axis = (1, 2, 3)
>>> loss = keras.losses.Dice(axis=axis, reduction=None)(y_true, y_pred)
>>> assert loss.shape == (2,)
>>> loss
array([0.5, 0.75757575], shape=(2,), dtype=float32)

>>> loss = keras.losses.Dice()(y_true, y_pred)
>>> assert loss.shape == ()
>>> loss
array(0.6164384, shape=(), dtype=float32)

>>> y_true = np.array(y_true)
>>> y_pred = np.array(y_pred)
>>> loss = keras.losses.Dice(axis=axis, reduction=None)(y_true, y_pred)
>>> assert loss.shape == (2,)
>>> loss
array([0.5, 0.75757575], shape=(2,), dtype=float32)

[源代码]

`mean_squared_error` 函数

keras.losses.mean_squared_error(y_true, y_pred)

计算标签与预测值之间均方误差。

公式

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

示例

>>> y_true = np.random.randint(0, 2, size=(2, 3))
>>> y_pred = np.random.random(size=(2, 3))
>>> loss = keras.losses.mean_squared_error(y_true, y_pred)

参数

y_true: 真实标签值，形状为 [batch_size, d0, .. dN]。
y_pred: 预测值，形状为 [batch_size, d0, .. dN]。

均方误差值，形状为 [batch_size, d0, .. dN-1]。

[源代码]

`mean_absolute_error` 函数

keras.losses.mean_absolute_error(y_true, y_pred)

计算标签与预测值之间平均绝对误差。

loss = mean(abs(y_true - y_pred), axis=-1)

参数

y_true: 真实标签值，形状为 [batch_size, d0, .. dN]。
y_pred: 预测值，形状为 [batch_size, d0, .. dN]。

平均绝对误差值，形状为 [batch_size, d0, .. dN-1]。

示例

>>> y_true = np.random.randint(0, 2, size=(2, 3))
>>> y_pred = np.random.random(size=(2, 3))
>>> loss = keras.losses.mean_absolute_error(y_true, y_pred)

[源代码]

`mean_absolute_percentage_error` 函数

keras.losses.mean_absolute_percentage_error(y_true, y_pred)

计算 y_true 与 y_pred 之间平均绝对百分比误差。

公式

loss = 100 * mean(abs((y_true - y_pred) / y_true), axis=-1)

通过除以 maximum(y_true, epsilon) 来防止除以零，其中 epsilon = keras.backend.epsilon()（默认为 1e-7）。

参数

y_true: 真实标签值，形状为 [batch_size, d0, .. dN]。
y_pred: 预测值，形状为 [batch_size, d0, .. dN]。

平均绝对百分比误差值，形状为 [batch_size, d0, .. dN-1]。

示例

>>> y_true = np.random.random(size=(2, 3))
>>> y_pred = np.random.random(size=(2, 3))
>>> loss = keras.losses.mean_absolute_percentage_error(y_true, y_pred)

[源代码]

`mean_squared_logarithmic_error` 函数

keras.losses.mean_squared_logarithmic_error(y_true, y_pred)

计算 y_true 与 y_pred 之间平均平方对数误差。

公式

loss = mean(square(log(y_true + 1) - log(y_pred + 1)), axis=-1)

请注意，y_pred 和 y_true 不能小于或等于 0。负值和零值将被替换为 keras.backend.epsilon()（默认为 1e-7）。

参数

y_true: 真实标签值，形状为 [batch_size, d0, .. dN]。
y_pred: 预测值，形状为 [batch_size, d0, .. dN]。

平均平方对数误差值，形状为 [batch_size, d0, .. dN-1]。

示例

>>> y_true = np.random.randint(0, 2, size=(2, 3))
>>> y_pred = np.random.random(size=(2, 3))
>>> loss = keras.losses.mean_squared_logarithmic_error(y_true, y_pred)

[源代码]

`cosine_similarity` 函数

keras.losses.cosine_similarity(y_true, y_pred, axis=-1)

计算标签与预测值之间的余弦相似度。

公式

loss = -sum(l2_norm(y_true) * l2_norm(y_pred))

参数

y_true：真实目标的张量。
y_pred：预测目标的张量。
axis: 确定相似度的轴。默认为 -1。

余弦相似度张量。

示例

>>> y_true = [[0., 1.], [1., 1.], [1., 1.]]
>>> y_pred = [[1., 0.], [1., 1.], [-1., -1.]]
>>> loss = keras.losses.cosine_similarity(y_true, y_pred, axis=-1)
[-0., -0.99999994, 0.99999994]

[源代码]

`huber` 函数

keras.losses.huber(y_true, y_pred, delta=1.0)

计算 Huber 损失值。

公式

for x in error:
    if abs(x) <= delta:
        loss.append(0.5 * x^2)
    elif abs(x) > delta:
        loss.append(delta * abs(x) - 0.5 * delta^2)

loss = mean(loss, axis=-1)

参见：Huber 损失。

示例

>>> y_true = [[0, 1], [0, 0]]
>>> y_pred = [[0.6, 0.4], [0.4, 0.6]]
>>> loss = keras.losses.huber(y_true, y_pred)
0.155

参数

y_true: 真实目标张量。
y_pred: 预测目标张量。
delta: 一个浮点数，Huber 损失函数从二次变为线性的点。默认为 1.0。

每个样本有一个标量损失条目的张量。

[源代码]

`log_cosh` 函数

keras.losses.log_cosh(y_true, y_pred)

预测误差的双曲余弦值的对数。

公式

loss = mean(log(cosh(y_pred - y_true)), axis=-1)

请注意，当 x 很小时，log(cosh(x)) 近似等于 (x ** 2) / 2；当 x 很大时，则近似等于 abs(x) - log(2)。这意味着 'logcosh' 的行为与均方误差非常相似，但不会受到偶尔出现的、极度错误的预测的显著影响。

示例

>>> y_true = [[0., 1.], [0., 0.]]
>>> y_pred = [[1., 1.], [0., 0.]]
>>> loss = keras.losses.log_cosh(y_true, y_pred)
0.108

参数

y_true: 真实标签值，形状为 [batch_size, d0, .. dN]。
y_pred: 预测值，形状为 [batch_size, d0, .. dN]。

Logcosh 误差值，形状为 [batch_size, d0, .. dN-1]。

[源代码]

`tversky` 函数

keras.losses.tversky(y_true, y_pred, alpha=0.5, beta=0.5, axis=None)

计算 y_true 和 y_pred 之间的 Tversky 损失值。

此损失函数由 alpha 和 beta 系数加权，以惩罚假阳性和假阴性。

当 alpha=0.5 和 beta=0.5 时，损失值等同于 Dice 损失。

参数

y_true: 真实目标张量。
y_pred: 预测目标张量。
alpha: 控制假阳性发生率的系数。
beta: 控制假阴性发生率的系数。
axis: 计算损失值的维度元组。

Tversky 损失值。

参考

Salehi 等人，2017

[源代码]

`dice` 函数

keras.losses.dice(y_true, y_pred, axis=None)

计算 y_true 和 y_pred 之间的 Dice 损失值。

公式

loss = 1 - (2 * sum(y_true * y_pred)) / (sum(y_true) + sum(y_pred))

参数

y_true: 真实目标张量。
y_pred: 预测目标张量。
axis: 计算损失值的维度元组

Dice 损失值。

示例

>>> y_true = [[[[1.0], [1.0]], [[0.0], [0.0]]],
...           [[[1.0], [1.0]], [[0.0], [0.0]]]]
>>> y_pred = [[[[0.0], [1.0]], [[0.0], [1.0]]],
...           [[[0.4], [0.0]], [[0.0], [0.9]]]]
>>> axis = (1, 2, 3)
>>> loss = keras.losses.dice(y_true, y_pred, axis=axis)
>>> assert loss.shape == (2,)
>>> loss
array([0.5, 0.75757575], shape=(2,), dtype=float32)

>>> loss = keras.losses.dice(y_true, y_pred)
>>> assert loss.shape == ()
>>> loss
array(0.6164384, shape=(), dtype=float32)

回归损失函数

MeanSquaredError 类

MeanAbsoluteError 类

MeanAbsolutePercentageError 类

MeanSquaredLogarithmicError 类

CosineSimilarity 类

Huber 类

LogCosh 类

Tversky 类

Dice 类

mean_squared_error 函数

mean_absolute_error 函数

mean_absolute_percentage_error 函数

mean_squared_logarithmic_error 函数

cosine_similarity 函数

huber 函数

log_cosh 函数

tversky 函数

dice 函数

回归损失函数

MeanSquaredError 类

MeanAbsoluteError 类

MeanAbsolutePercentageError 类

MeanSquaredLogarithmicError 类

CosineSimilarity 类

Huber 类

LogCosh 类

Tversky 类

Dice 类

mean_squared_error 函数

mean_absolute_error 函数

mean_absolute_percentage_error 函数

mean_squared_logarithmic_error 函数

cosine_similarity 函数

huber 函数

log_cosh 函数

tversky 函数

dice 函数

`MeanSquaredError` 类

`MeanAbsoluteError` 类

`MeanAbsolutePercentageError` 类

`MeanSquaredLogarithmicError` 类

`CosineSimilarity` 类

`Huber` 类

`LogCosh` 类

`Tversky` 类

`Dice` 类

`mean_squared_error` 函数

`mean_absolute_error` 函数

`mean_absolute_percentage_error` 函数

`mean_squared_logarithmic_error` 函数

`cosine_similarity` 函数

`huber` 函数

`log_cosh` 函数

`tversky` 函数

`dice` 函数