Tôi đang làm việc với dữ liệu cực kỳ ồn ào đôi khi bị rải rác với các ngoại lệ, vì vậy tôi dựa chủ yếu vào sự tương quan như một thước đo độ chính xác trong NN của tôi.Có thể sử dụng Rank Correlation như chức năng chi phí trong TensorFlow không?
Có thể sử dụng một cái gì đó tương tự như xếp hạng tương quan (hệ số tương quan Spearman) làm chức năng chi phí của tôi không? Cho đến bây giờ, tôi đã dựa chủ yếu vào MSE như một proxy cho sự tương quan.
tôi có ba trở ngại lớn ngay bây giờ:
1) Khái niệm xếp hạng trở nên fuzzier nhiều với mini-lô.
2) Bạn tự động thực hiện xếp hạng như thế nào? Sẽ TensorFlow không có một lỗi gradient/không thể theo dõi như thế nào một sự thay đổi trong một trọng lượng/thiên vị ảnh hưởng đến chi phí?
3) Làm thế nào để bạn xác định kích thước của các tensors bạn đang xem trong thời gian chạy?
Ví dụ: mã bên dưới là điều tôi muốn làm nếu tôi chỉ sử dụng mối tương quan. Trong thực tế, chiều dài cần phải được thông qua thay vì được xác định trong thời gian chạy.
length = tf.shape(x)[1] ## Example code. This line not meant to work.
original_loss = -1 * length * tf.reduce_sum(tf.mul(x, y)) - (tf.reduce_sum(x) * tf.reduce_sum(y))
divisor = tf.sqrt(
(length * tf.reduce_sum(tf.square(x)) - tf.square(tf.reduce_sum(x))) *
(length * tf.reduce_sum(tf.square(y)) - tf.square(tf.reduce_sum(y)))
)
original_loss = tf.truediv(original_loss, divisor)
Tôi đang cố gắng sao chép mạng đánh giá hình ảnh sử dụng Spearman Correlations làm chỉ số đánh giá. Nó có ý nghĩa để chạy Spearman Correlation đối với một mini-batch không? Nếu vậy, làm thế nào để bạn tổng hợp các kết quả để có được một con số cuối cùng? – michael
@michael Tôi nhận được các kết quả rất khác nhau từ lô nhỏ đến tập dữ liệu hoàn chỉnh. Nó có thể cung cấp cho bạn một số thông tin chi tiết về xu hướng chứ không phải về giá trị cuối cùng. Bạn không thể tổng hợp kết quả của lô nhỏ để tính toán kết quả cuối cùng, bạn phải làm điều đó với toàn bộ tập dữ liệu (tôi sử dụng mã python bình thường cho điều này). – jorgemf
đó là phỏng đoán của tôi, nhưng tôi không phải là chuyên gia về chủ đề này. cảm ơn. – michael