本文详细介绍了TensorFlow中常用的损失函数，包括回归问题的L2、L1正则和Pseudo-Huber损失函数，以及分类问题的Hinge、交叉熵损失函数等。并使用matplotlib展示了这些损失函数的图像，帮助理解其特性和应用场景。
1 损失函数
定义：将随机事件或其有关随机变量的取值映射为非负实数以表示该随机事件的“风险”或“损失”的函数。
应用：作为学习准则与优化问题相联系，即通过最小化损失函数求解和评估模型。
分类：回归问题、分类问题
2 回归问题的损失函数
首先创建预测序列和目标序列作为张量
预测序列是(-1,1)的等差数列，目标值为0
sess = tf.Session()
x_vals = tf.linspace(-1.,1.,500)
target = tf.constant(0.)
2.1 L2正则损失函数
L = ∑ i = 1 n ( t a r g e t i − f ( x i ) ) 2 (1) L=\sum_{i=1}^{n}(target_i-f(x_i))^2\tag{1} L=i=1∑n(targeti−f(xi))2(1)
L2正则损失函数又称欧拉损失函数，是预测值 f ( x i
最低0.47元/天 解锁文章
扫一扫
834
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
