Класс Huber
Класс Huber относится к секции train и используется для вычисления функции потерь (loss function) при обучении нейронных сетей. Данная функция потерь представляет собой комбинацию среднеквадратичной ошибки и средней абсолютной ошибки: для небольших расхождений между предсказанием и истинным значением она ведет себя как MSE, а для больших - как MAE. Это позволяет снизить влияние выбросов на процесс обучения. Первым параметром передается значение delta - порог, при котором происходит переключение между квадратичной и линейной областями. Вторым параметром можно передать reduction - способ сокращения тензора потерь, третьим - name - имя операции.
Синтаксис
tf.keras.losses.Huber(delta=1.0, reduction="auto", name="huber")
Пример
Давайте вычислим функцию потерь Huber для тензора истинных значений и тензора предсказаний:
import tensorflow as tf
y_true = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0])
y_pred = tf.constant([1.5, 2.5, 2.5, 4.5, 5.5])
loss = tf.keras.losses.Huber()
res = loss(y_true, y_pred)
print(res)
Результат выполнения кода:
tf.Tensor(0.125, shape=(), dtype=float32)
Пример
Давайте изменим параметр delta и посмотрим, как это повлияет на значение потерь:
Результат выполнения кода:
tf.Tensor(1.4, shape=(), dtype=float32)
Пример
Давайте используем функцию потерь Huber при компиляции модели Keras:
Результат выполнения кода:
[26.033, 25.752, 25.472, 25.194, 24.918]
Смотрите также
-
класс
MeanSquaredError,
который вычисляет среднеквадратичную ошибку -
класс
MeanAbsoluteError,
который вычисляет среднюю абсолютную ошибку -
класс
LogCosh,
который вычисляет логарифм гиперболического косинуса ошибки -
класс
Adam,
который реализует оптимизатор Adam
