PairwiseHingeLoss 类keras_rs.losses.PairwiseHingeLoss(temperature: float = 1.0, **kwargs: Any)
计算真实标签和预测分数之间的成对合页损失。此损失函数专为排序任务设计，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的项目对来计算损失，惩罚真实标签较高的项目预测分数却低于真实标签较低的项目的情况。
对于 y_pred 中每个预测分数列表 s 和 y_true 中对应的真实标签列表 y，损失计算如下：
loss = sum_{i} sum_{j} I(y_i > y_j) * max(0, 1 - (s_i - s_j))
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，如果 y_i > y_j 则等于 1，否则等于 0。max(0, 1 - (s_i - s_j)) 是合页损失，当 y_i > y_j 时，它惩罚分数差 s_i - s_j 不够大的情况。参数
"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，"mean_with_sample_weight" 对损失求和并除以样本权重之和。"none" 和 None 不执行聚合。默认为 "sum_over_batch_size"。None，这意味着使用 keras.backend.floatx()。keras.backend.floatx() 是 "float32"，除非设置为不同值（通过 keras.backend.set_floatx()）。如果提供了 keras.DTypePolicy，则将使用 compute_dtype。示例
使用 compile() API
model.compile(
loss=keras_rs.losses.PairwiseHingeLoss(),
...
)
作为具有非批处理输入的独立函数
>>> 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_hinge_loss = keras_rs.losses.PairwiseHingeLoss()
>>> pairwise_hinge_loss(y_true=y_true, y_pred=y_pred)
2.32000
使用默认“auto”/“sum_over_batch_size”缩减的批处理输入
>>> 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_hinge_loss = keras_rs.losses.PairwiseHingeLoss()
>>> pairwise_hinge_loss(y_true=y_true, y_pred=y_pred)
0.75
使用掩码输入（对不规则输入有用）
>>> 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_hinge_loss(y_true=y_true, y_pred=y_pred)
0.64999
使用 sample_weight
>>> 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_hinge_loss = keras_rs.losses.PairwiseHingeLoss()
>>> pairwise_hinge_loss(
... y_true=y_true, y_pred=y_pred, sample_weight=sample_weight
... )
1.02499
使用 'none' 缩减
>>> 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_hinge_loss = keras_rs.losses.PairwiseHingeLoss(
... reduction="none"
... )
>>> pairwise_hinge_loss(y_true=y_true, y_pred=y_pred)
[[3. , 0. , 2. , 0.], [0., 0.20000005, 0.79999995, 0.]]
call 方法PairwiseHingeLoss.call(y_true: Any, y_pred: Any)
计算成对损失。
参数
(list_size)；对于批处理输入，形状为 (batch_size, list_size)。如果项目的标签为 -1，则在损失计算中忽略。如果是字典，则应包含两个键："labels" 和 "mask"。"mask" 可用于在损失计算中忽略元素，即，不会与这些项目形成对。请注意，最终掩码是传入掩码和 labels >= 0 的逻辑与。(list_size)，批处理输入的形状为 (batch_size, list_size)。应与 y_true 形状相同。返回
损失值。