问题标签 [loss]

所以我写了一个小工具（给定一个查询）列出按查询分数排序的前 1000 个结果文档。显然，并非所有这些都是相关的。作为用户，我和其他人经常做以下事情：

1. 看成绩
2. 向下滚动列表，直到您看到“显着”的分数损失。

例如顶级文档的分数是这样的：4.2, 3.9, 3.9, 3.85, ..., 3.7, 0.3 , 0.3, 0.25, ... 通常我们可以说直到 3.7 分数之前的所有文档都是相关的，其余的（从 0.3 开始）都不相关。鉴于这个分数列表，这甚至是显而易见的，幸运的是，在我们的用例中它运行良好。

是否有任何最先进的算法可以在数字列表（这里是分数）中找到这样的“差距”/“损失”？

以下事实：

• 热门文档总是相关的
• 有一点与任何（或几乎没有）文件相关
• 这一点可以通过分数的第一个差距来识别

我有反思的问题。我决定要使用反射创建一个 SQL 查询生成器。我创建了自己的注释来确定可以使用哪些类，可以存储哪些属性等。该代码按我的意愿工作，但是问题在于将此项目用作其他项目的依赖项。

我有另一个使用 OJDBC 的项目，我试图使用我的库来生成基于类的查询。但是，当我从我的 ojdbc 项目中传递一个类时，会丢失所有类信息，该类显示为 java.lang.Class，甚至注释信息也丢失了。有谁知道为什么会这样？

将cls.getAnnotation(Storable.class)以下类传递给它时正在丢失信息

动物类在 ojdbc 项目中，而 appendTableName 方法属于我的查询生成器。我尝试将 querybuilder 项目生成到 jar 中并使用 maven install 将其添加到我的存储库中，但仍然没有运气。

感谢您的快速回复，但这不是问题，因为我创建的注释已将保留设置为运行时，请参见下文。

我的注释设置为运行时，但类信息仍然丢失。

我正在学习排名。我发现某些损失函数（例如 0/1 损失）不能直接最小化为非凸或不连续等。这在其他损失函数的情况下也是如此。

因此研究人员使用了另一种称为“凸代理”的损失函数，它“限制”了 0/1 类型的损失，他们试图最小化损失函数的代理以找到参数（如果我理解正确的话）。

我的问题是，在给定非凸损失函数的情况下，找到代理函数的过程是什么？

我可以在哪里阅读我有一个非凸损失函数的步骤，并且我想设置它的代理损失？

还有我怎么知道某些函数是 0/1 损失的上限。

以及如何提出这个界限？

我对 sklearn Gradient Boosting Classifier 的 estimator.loss_ 方法有疑问。我试图将测试错误与一段时间内的训练错误进行比较。这是我的一些数据准备：

此时，当我打印出我的数组形状时

我得到：

分别。

所以我的形状根据 sklearn 文档是兼容的。但接下来，我尝试填充一个测试分数向量，以便将其与我的训练错误进行比较，如下所示：

我收到以下错误：

我不确定 47 是从哪里来的。我之前在另一个数据集上使用过相同的程序并且没有问题。任何帮助将非常感激。

我不完全理解如何计算交叉熵误差。由于一些负数的对数没有定义（或虚构的），并且神经网络的输出可能是一些负数（权重和偏差是随机初始化的），我经常得到 NaN 作为结果。我该如何避免呢？

例子：

我正在为 caffe 中的回归问题微调 imagenet。目前我正在使用 Eucliden Loss，但我认为这对我来说没有任何好处。
我希望损失值是预测标签和实际标签之间的斯皮尔曼系数。我该怎么做？

请帮忙！

我一直在玩 TensorFlow Cifar10 演示（https://www.tensorflow.org/versions/master/tutorials/deep_cnn/index.html#convolutional-neural-networks），我遇到了以下有趣的在 Google 的演示代码中实现批量大小为 1 的 AlexNet（227x227 图像）时的输出：

2016-01-12 13:19:28.042847: step 0, loss = 208.40 (0.0 examples/sec; 28.081 sec/batch) 2016-01-12 13:19:37.991020: step 10, loss = 106981280.00 (2.3 examples/sec; 0.440 sec/batch) 2016-01-12 13:19:42.422207: step 20, loss = 318574152697306415104.00 (2.2 examples/sec; 0.446 sec/batch) 2016-01-12 13:19:46.824720: step 30, loss = 316031624417051148288.00 (2.3 examples/sec; 0.439 sec/batch) 2016-01-12 13:19:51.238086: step 40, loss = 313512247453630332928.00 (2.2 examples/sec; 0.449 sec/batch) 2016-01-12 13:19:55.676777: step 50, loss = 311012714476067618816.00 (2.3 examples/sec; 0.436 sec/batch) 2016-01-12 13:20:00.056848: step 60, loss = 308535664312269668352.00 (2.3 examples/sec; 0.438 sec/batch) 2016-01-12 13:20:04.442751: step 70, loss = 306075115618981380096.00 (2.3 examples/sec; 0.436 sec/batch)

为什么几批后loss值这么大？该网络似乎也没有收敛到任何高于随机的东西（我正在训练它以确定照片中的色彩平衡有多好）。我只会发布我更改的代码 - 除了小的目录名称更改和图像大小参数之外，其余的都可以在 TensorFlow 网站上找到。如果您需要查看更多代码，请告诉我。

场景：ISS 8.5 在我们的工作机器上，我们的 Microsoft SQL Server 目前已关闭了一段不确定的时间，而且我们没有备份。我们可以继续开发代码localhost。由于 SQL Server 已关闭，我们无法执行任何数据事务。是否有任何可靠的在线资源至少可以测试开发的 SQL 语法是否正确？

Edit: I will go ahead and eat my words. I had presumed that we were not allowed to install SQL Server Express locally. That was a bad guess. After I had sent our boss the suggestion from marc_s, he gave us the go-ahead. Now we have a back-up plan. For the record, the SQL Server is now online.

我为欺诈领域的文档二进制分类准备了几个模型。我计算了所有模型的对数损失。我认为它本质上是在测量预测的置信度，并且 log loss 应该在 [0-1] 的范围内。我相信当结果 - 确定类别不足以用于评估目的时，这是分类中的一项重要措施。因此，如果两个模型的 acc、recall 和precision 非常接近，但一个模型的对数损失函数较低，则应该选择它，因为在决策过程中没有其他参数/​​指标（例如时间、成本）。

决策树的 log loss 为 1.57，对于所有其他模型，它在 0-1 范围内。我如何解释这个分数？

我正在尝试在 Windows 上实现 UDP 服务器，并使用模拟器进行性能测试。而且我发现如果源端口在变化，5000pps的时候包会丢失50%左右，但是如果源端口稳定的话，包是不会丢失的。我在 Windows 7 和 Windows Server 2008 上都试过这个，它们是一样的。但是在 Linux 上它运行得非常好。谁能告诉我为什么？Windows Server 的 UDP 是否有一些限制或配置？</p>