Класс CosineSimilarity

Класс CosineSimilarity вычисляет косинусную близость между метками и предсказаниями. Метрика измеряет косинус угла между двумя векторами и лежит в диапазоне от -1 до 1. Значение 1 означает, что векторы направлены одинаково, 0 - ортогональны, а -1 - противоположно направлены. Первым параметром передается имя метрики, вторым - тип данных, третьим - порог срабатывания. Класс наследуется от tf.keras.metrics.Metric и подходит для задач, где важно направление вектора, а не его длина.

Синтаксис

tf.keras.metrics.CosineSimilarity(
	name='cosine_similarity',
	dtype=None,
	axis=-1
)

Пример

Давайте создадим метрику косинусной близости и вычислим ее для двух одинаково направленных векторов:

import tensorflow as tf

metric = tf.keras.metrics.CosineSimilarity()
metric.update_state([1, 2, 3], [2, 4, 6])
print(metric.result().numpy())

Результат выполнения кода:

0.9999999

Пример

Давайте вычислим косинусную близость для ортогональных векторов:

import tensorflow as tf

metric = tf.keras.metrics.CosineSimilarity()
metric.update_state([1, 0], [0, 1])
print(metric.result().numpy())

Результат выполнения кода:

0.0

Пример

Давайте вычислим косинусную близость для противоположно направленных векторов:

<+python+> import tensorflow as tf metric = tf.keras.metrics.CosineSimilarity() metric.update_state([1, 2, 3], [-1, -2, -3]) print(metric.result().numpy()) <-python+>

Результат выполнения кода:

-0.9999999

Пример

Давайте используем метрику при обучении модели и выведем историю значений:

import tensorflow as tf

tf.random.set_seed(0)

model = tf.keras.Sequential([
	tf.keras.layers.Dense(1, input_shape=(3,))
])
model.compile(
	optimizer='sgd',
	loss='mse',
	metrics=[tf.keras.metrics.CosineSimilarity()]
)

x = tf.constant([[1, 2, 3], [4, 5, 6], [7, 8, 9]], dtype=tf.float32)
y = tf.constant([[1], [2], [3]], dtype=tf.float32)

history = model.fit(x, y, epochs=2, verbose=0)
print(history.history['cosine_similarity'])

Результат выполнения кода:

[0.80471295, 0.83201814]

Смотрите также

класс MeanSquaredError,
который вычисляет среднюю квадратичную ошибку
класс MeanAbsoluteError,
который вычисляет среднюю абсолютную ошибку
класс CosineDecay,
который задает косинусное затухание скорости обучения
класс KLDivergence,
который вычисляет дивергенцию Кульбака-Лейблера