PairwiseMeanSquaredError 类keras_rs.losses.PairwiseMeanSquaredError(temperature: float = 1.0, **kwargs: Any)
计算真实标签与预测分数之间的成对均方误差。此损失函数专为排序任务设计，其目标是正确排列每个列表中的项目。它通过比较每个列表中项目的成对情况来计算损失，对真实标签较高的项目预测分数反而低于真实标签较低的项目进行惩罚。
对于 y_pred 中的每个预测分数列表 s 和 y_true 中相应的真实标签列表 y，损失按如下方式计算
loss = sum_{i} sum_{j} I(y_i > y_j) * (s_i - s_j)^2
其中
y_i 和 y_j 分别是项目 i 和 j 的真实标签。s_i 和 s_j 分别是项目 i 和 j 的预测分数。I(y_i > y_j) 是一个指示函数，当 y_i > y_j 时等于 1，否则等于 0。(s_i - s_j)^2 是项目 i 和 j 的预测分数之间的平方差，用于惩罚项目预测顺序与真实顺序之间的差异。参数
"sum_over_batch_size"。支持的选项包括 "sum", "sum_over_batch_size", "mean", "mean_with_sample_weight" 或 None。"sum" 对损失求和，"sum_over_batch_size" 和 "mean" 对损失求和并除以样本大小，"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"。None，表示使用 keras.backend.floatx()。keras.backend.floatx() 默认为 "float32"，除非设置了其他值 (通过 keras.backend.set_floatx())。如果提供了 keras.DTypePolicy，则将使用 compute_dtype。示例
与 compile() API 一起使用
model.compile(
loss=keras_rs.losses.PairwiseMeanSquaredError(),
...
)
作为带有非批量输入的独立函数
>>> y_true = np.array([1.0, 0.0, 1.0, 3.0, 2.0])
>>> y_pred = np.array([1.0, 3.0, 2.0, 4.0, 0.8])
>>> pairwise_mse = keras_rs.losses.PairwiseMeanSquaredError()
>>> pairwise_mse(y_true=y_true, y_pred=y_pred)
>>> 19.10400
使用默认 'auto'/'sum_over_batch_size' 归约与批量输入一起使用
>>> y_true = np.array([[1.0, 0.0, 1.0, 3.0], [0.0, 1.0, 2.0, 3.0]])
>>> y_pred = np.array([[1.0, 3.0, 2.0, 4.0], [1.0, 1.8, 2.0, 3.0]])
>>> pairwise_mse = keras_rs.losses.PairwiseMeanSquaredError()
>>> pairwise_mse(y_true=y_true, y_pred=y_pred)
5.57999
与带掩码的输入一起使用 (对不规则输入很有用)
>>> y_true = {
... "labels": np.array([[1.0, 0.0, 1.0, 3.0], [0.0, 1.0, 2.0, 3.0]]),
... "mask": np.array(
... [[True, True, True, True], [True, True, False, False]]
... ),
... }
>>> y_pred = np.array([[1.0, 3.0, 2.0, 4.0], [1.0, 1.8, 2.0, 3.0]])
>>> pairwise_mse(y_true=y_true, y_pred=y_pred)
4.76000
与 sample_weight 一起使用
>>> y_true = np.array([[1.0, 0.0, 1.0, 3.0], [0.0, 1.0, 2.0, 3.0]])
>>> y_pred = np.array([[1.0, 3.0, 2.0, 4.0], [1.0, 1.8, 2.0, 3.0]])
>>> sample_weight = np.array(
... [[2.0, 3.0, 1.0, 1.0], [2.0, 1.0, 0.0, 0.0]]
... )
>>> pairwise_mse = keras_rs.losses.PairwiseMeanSquaredError()
>>> pairwise_mse(
... y_true=y_true, y_pred=y_pred, sample_weight=sample_weight
... )
11.0500
使用 'none' 归约
>>> y_true = np.array([[1.0, 0.0, 1.0, 3.0], [0.0, 1.0, 2.0, 3.0]])
>>> y_pred = np.array([[1.0, 3.0, 2.0, 4.0], [1.0, 1.8, 2.0, 3.0]])
>>> pairwise_mse = keras_rs.losses.PairwiseMeanSquaredError(
... reduction="none"
... )
>>> pairwise_mse(y_true=y_true, y_pred=y_pred)
[[11., 17., 5., 5.], [2.04, 1.3199998, 1.6399999, 1.6399999]]
call 方法PairwiseMeanSquaredError.call(y_true: Any, y_pred: Any)
计算成对损失。
参数
(list_size)，对于批量输入形状为 (batch_size, list_size)。如果某个项目的标签为 -1，则在损失计算中会被忽略。如果是字典，应包含两个键："labels" 和 "mask"。"mask" 可用于忽略损失计算中的元素，即不会与这些项目形成成对关系。请注意，最终的掩码是传入的掩码与 labels >= 0 的逻辑 与 (and)。(list_size)，对于批量输入形状为 (batch_size, list_size)。应与 y_true 的形状相同。返回值
损失值。