本文介绍了TensorFlow中常用的两种损失函数——二次代价函数（均方误差MSE）和交叉熵代价函数。二次代价函数适用于一般预测问题，而交叉熵代价函数在处理分类问题尤其是涉及S型曲线时更为合适。在TensorFlow中，通过`tf.reduce_mean(tf.square(y - prediction))`计算均方误差，`tf.nn.softmax_cross_entropy_with_logits`则用于计算交叉熵，需要注意的是，logits应为未经过softmax处理的值。
经典的损失函数有四种，也可以自己定义损失函数
有几种不同的代价函数，不同的代价函数适用于不同的场景
有二次代价函数，交叉熵代价函数（适用于s型曲线，选择合适的代价函数，可节省训练时间），对数似然代价函数
# 二次代价函数（又叫均方误差（MSE ））
# loss = tf.reduce_mean(tf.square(y - prediction))
计算公式如下：
其中yi为一个batch中第i个数据的正确答案，而y′为神经网络给出的预测值。
Tensorflow中实现均方误差损失函数：
mse = tf.reduce_mean(tf.square(y_ - y))，
其中输入为矩阵，输出为一个数
#交叉熵代价函数
loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels
最低0.47元/天 解锁文章
扫一扫
1745
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
