tensorflow分类的loss函数_Tensorflow 损失函数（loss function）及自定义损失函数（三）...

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/limiyudianzi/article/details/80697711

我主要分三篇文章给大家介绍tensorflow的损失函数，本篇为tensorflow自定义损失函数。

(一)tensorflow内置的四个损失函数

(二)其他损失函数

(三)自定义损失函数

自定义损失函数是损失函数章节的结尾，学习自定义损失函数，对于提高分类分割等问题的准确率很有帮助，同时探索新型的损失函数也可以让你文章多多。这里我们介绍构建自定义损失函数的方法，并且介绍可以均衡正负例的loss，以及在多分类中可以解决样本数量不均衡的loss的方法。

首先为了有足够的知识学会自定义损失函数，我们需要知道tensorflow都能实现什么样的操作。其实答案是你常见的数学运算都可以，所以说只要你能把心中的损失函数表达为数学式的形式，那么你就能够将其转变为损失函数的形式。下面介绍一些常见的函数：

四则运算：tf.add(Tensor1,Tensor2)，tf.sub(Tensor1,Tensor2)， tf.mul(Tensor1,Tensor2)，tf.div(Tensor1,Tensor2)这里的操作也可以被正常的加减乘除的负号所取代。这里想要指出的是乘法和除法的规则和numpy库是一样的，是matlab中的点乘而不是矩阵的乘法，矩阵的乘法是tf.matmul(Tensor1, Tensor2)

基础运算： 取模运算(tf.mod())，绝对值(tf.abs())，平方(tf.square())