tensorflow中同时两个损失函数_tensorflow进阶篇-4(损失函数2)

Hinge损失函数主要用来评估支持向量机算法，但有时也用来评估神经网络算法。下面的示例中是计算两个目标类(-1,1)之间的损失。下面的代码中，使用目标值1，所以预测值离1越近，损失函数值越小：

# Use for predicting binary (-1, 1) classes

# L = max(0, 1 - (pred *actual))

hinge_y_vals= tf.maximum(0., 1. -tf.multiply(target, x_vals))

hinge_y_out= sess.run(hinge_y_vals)

两类交叉函数熵损失函数(Cross-entropy loss)有时也作为逻辑损失函数，比如，当预测两类目标0或者1时，希望度量函数预测值到真实分类值(0或者1)的距离，这个距离经常是0到1之间的实数。

# L = -actual * (log(pred)) - (1-actual)(log(1-pred))

xentropy_y_vals= - tf.multiply(target, tf.log(x_vals)) - tf.multiply((1. - target), tf.log(1. -x_vals))

xentropy_y_out= sess.run(xentropy_y_vals)

Sigmoid交叉熵损失函数与上一个损失函数非常类似，有一点不同的是，它先把想x_vals值通过sigmoid函数转换，再计算交叉熵损失：

# L = -actual * (log(sigmoid(pred))) - (1-actual)(log(1-sigmoid(pred)))

# or

# L = max(actu