Всем, привет!
Подскажите, какой лосс можно юзать, если при предсказании мы берем N наиболее вероятных аутпутов (после софтмакса) и если хотя бы 1 попал в таргет, то хорошо.
При этом желательно все-таки как-то штрафовать, за то, что это попадание не самое вероятное.

А разве crossentropy не будет все равно оптимальным?

Здравствуйте, разбирался с автодеривацией и возникли затруднения с дифференциацией функций определенных на тензорах. Те если функция определённа на векторах f :: R^n -> R^m, то якобиан это матрица вида m x n, но если f' :: R^a1 x .. x R^ak -> R^b1 x .. x R^bt , где f' это та же функция и a1 + .. + ak = n, b1 + .. + bk = m, то какой шейп будет у якобиана Df' не совсем понятно. Есть ли какое-нибудь правило для определения итоговой размерности Df'?

Здравствуйте, разбирался с автодеривацией и возникли затруднения с дифференциацией функций определенных на тензорах. Те если функция определённа на векторах f :: R^n -> R^m, то якобиан это матрица вида m x n, но если f' :: R^a1 x .. x R^ak -> R^b1 x .. x R^bt , где f' это та же функция и a1 + .. + ak = n, b1 + .. + bk = m, то какой шейп будет у якобиана Df' не совсем понятно. Есть ли какое-нибудь правило для определения итоговой размерности Df'?

Все равно n*m :)

Все равно n*m :)

так f' получается вектор функций ?
тогда и якобианов будет вектор

Ну да, компонет будет точно m * n, но почему тогда пайторч тут на размерность ругается.

c = torch.tensor([[2., 1.]], requires_grad=True)
z = c * c.t()
v = torch.tensor([[[1., 0., 0., 0.]]]).t()
z.backward(v)

z :: R^1 x R^2 -> R^2 x R^2,    J := Dz
Те в документации написано, что беквард метод вычисляет J.T * v, где J.T, получается, должен быть размера 2x4 и v.shape = (4, 1)

Ну можно расписать как тензор порядка 2k

Господа, мое уважение.
Спрашиваю просто ради интереса, как обстоят дела с ML и чистым Си (про питон мне рассказывать не надо, умоляю)

Catboost есть на С