PairwiseSoftZeroOneLoss 类keras_rs.losses.PairwiseSoftZeroOneLoss(temperature: float = 1.0, **kwargs: Any)
计算真实标签和预测分数之间的成对软零一损失。此损失函数专为排序任务设计，目标是正确地对每个列表中的项目进行排序。它通过比较每个列表中的项目对来计算损失，惩罚真实标签较高而预测分数低于真实标签较低的项目的案例。
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) * (1 - sigmoid(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。(1 - sigmoid(s_i - s_j)) 表示软零一损失，它用一个平滑、可微分的函数近似理想的零一损失（如果 s_i < s_j 则为 1，否则为 0）。这使得它适用于基于梯度的优化。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的总和。"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() 默认为 "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.PairwiseSoftZeroOneLoss(),
...
)
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_soft_zero_one_loss = keras_rs.losses.PairwiseSoftZeroOneLoss()
>>> pairwise_soft_zero_one_loss(y_true=y_true, y_pred=y_pred)
0.86103
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_soft_zero_one_loss = keras_rs.losses.PairwiseSoftZeroOneLoss()
>>> pairwise_soft_zero_one_loss(y_true=y_true, y_pred=y_pred)
0.46202
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_soft_zero_one_loss(y_true=y_true, y_pred=y_pred)
0.29468
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_soft_zero_one_loss = keras_rs.losses.PairwiseSoftZeroOneLoss()
>>> pairwise_soft_zero_one_loss(
... y_true=y_true, y_pred=y_pred, sample_weight=sample_weight
... )
0.40478
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_soft_zero_one_loss = keras_rs.losses.PairwiseSoftZeroOneLoss(
... reduction="none"
... )
>>> pairwise_soft_zero_one_loss(y_true=y_true, y_pred=y_pred)
[
[0.8807971 , 0., 0.73105854, 0.43557024],
[0., 0.31002545, 0.7191075 , 0.61961967]
]
call 方法PairwiseSoftZeroOneLoss.call(y_true: Any, y_pred: Any)
计算成对损失。
参数
(list_size)，批处理输入的形状为 (batch_size, list_size)。如果某个项目的标签为 -1，则在损失计算中将其忽略。如果为字典，则应包含两个键：“labels”和“mask”。“mask”可用于在损失计算中忽略元素，即不与这些项目形成对。请注意，最终的掩码是传入掩码和 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。