我正在使用tf.losses.cosine_distance(Y, outputs, axis=2, reduction=tf.losses.Reduction.MEAN)来衡量我的标签和预测之间的差异。张量形状为[batch_size, sequence_length, embedding]。在我的情况下，预测的形状为[16311, 20, 100]。
我的结果如下。
----------------------epoch1----------------------
train 1 loss 1.1429076
----------------------epoch2----------------------
train 2 loss 0.51511204
----------------------epoch3----------------------
train 3 loss -2.5750072
----------------------epoch4----------------------
train 4 loss -6.685198
----------------------epoch5----------------------
train 5 loss -10.863398
余弦相似度的边界是[0,1]。但就我而言，它在一开始就大于1，并在几个时期后变为负数。我不知道为什么会发生这种情况。
我的嵌入包含负数。我应该在计算余弦距离之前对其进行归一化吗？
答案 0 :(得分：1)
首先，是的，您应该在计算余弦距离之前进行归一化：（来自文档）
请注意，该函数假定预测和标签已经 单位标准化的。
但是，余弦相似度函数的范围不是[0,1]。考虑向量(1 0)和(-1 0)。两者都是单位向量，它们的余弦相似度为-1。
最后，请注意，损耗是在计算余弦距离，它是1减去余弦相似度，因为损耗的优化操作是最小化而不是最大化（适用于余弦相似度）。因此，您会期望负数的绝对值越来越大。