Класс LogCosh

Класс LogCosh вычисляет функцию потерь, которая представляет собой логарифм гиперболического косинуса разности между истинными и предсказанными значениями. Эта функция потерь ведет себя как среднеквадратичная ошибка вблизи нуля, но более устойчива к выбросам. Первым параметром передаются истинные значения, вторым - предсказанные.

Синтаксис

tf.keras.losses.LogCosh(
	reduction='auto',
	name='log_cosh'
)

Пример

Давайте вычислим функцию потерь между двумя тензорами:

import tensorflow as tf

y_true = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0])
y_pred = tf.constant([1.1, 2.2, 2.9, 4.1, 5.2])

loss = tf.keras.losses.LogCosh()
res = loss(y_true, y_pred)
print(res)

Результат выполнения кода:

tf.Tensor(0.018357739, shape=(), dtype=float32)

Пример

Давайте вычислим функцию потерь с параметром reduction равным 'none', чтобы получить потери для каждого элемента:

import tensorflow as tf

y_true = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0])
y_pred = tf.constant([1.1, 2.2, 2.9, 4.1, 5.2])

loss = tf.keras.losses.LogCosh(reduction='none')
res = loss(y_true, y_pred)
print(res)

Результат выполнения кода:

tf.Tensor([0.00499166 0.01993333 0.00500834 0.00499166 0.01986667], shape=(5,), dtype=float32)

Пример

Давайте вычислим функцию потерь с параметром reduction равным 'sum':

import tensorflow as tf

y_true = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0])
y_pred = tf.constant([1.1, 2.2, 2.9, 4.1, 5.2])

loss = tf.keras.losses.LogCosh(reduction='sum')
res = loss(y_true, y_pred)
print(res)

Результат выполнения кода:

tf.Tensor(0.05479166, shape=(), dtype=float32)

Смотрите также

класс MeanSquaredError,
который вычисляет среднеквадратичную ошибку
класс MeanAbsoluteError,
который вычисляет среднюю абсолютную ошибку
класс Huber,
который вычисляет функцию потерь Хьюбера
класс MeanAbsolutePercentageError,
который вычисляет среднюю абсолютную процентную ошибку