我不确定我是否做错了什么，但无论出于何种原因，当我按照这里的 tf 2.4.1 示例操作时
我得到的结果与示例中的结果不同，实际上，我得到的是示例结果的负值。
这是我所做的
import tensorflow as tffrom tensorflow.keras.losses import cosine_similarityy_true = [[0., 1.], [1., 1.], [1., 1.]]y_pred = [[1., 0.], [1., 1.], [-1., -1.]]loss = cosine_similarity(y_true, y_pred, axis=1) loss_numpy = loss.eval(session=tf.Session())print(loss_numpy) # array([ 0. , 0.99999994, -0.99999994], dtype=float32)# expected output array([-0. , -0.99999994, 0.99999994], dtype=float32)我认为在 tf 2+ 中情况并非如此，但这是我必须处理的一个已知问题，还是有其他原因？
附言：
我通过定义
cosine_proximity_loss = lambda y_true, y_pred: -1. * cosine_similarity(y_true, y_pred)并在我的模型中使用它来解决这个问题。如果有人知道我不应该这样做，任何建议都将不胜感激！
回答：
这不是你的错，由于一些历史原因，tf.keras.losses.cosine_similarity 在 tf v1.15 中只会返回余弦值，但在 tf v2.4.1 中会返回负余弦值。
tf.keras.losses.cosine_similarity 在 tf v1.15 源代码：
y_true = nn.l2_normalize(y_true, axis=axis)y_pred = nn.l2_normalize(y_pred, axis=axis)return math_ops.reduce_sum(y_true * y_pred, axis=axis)tf.keras.losses.cosine_similarity 在 tf v2.4.1 源代码：
y_true = nn.l2_normalize(y_true, axis=axis)y_pred = nn.l2_normalize(y_pred, axis=axis)return -math_ops.reduce_sum(y_true * y_pred, axis=axis)因此，如果你想在 tf v1.15 中像在 tf v2.4.1 中一样使用 tf.keras.losses.cosine_similarity，只需在其输出前加上负号即可
