4.5 张量的典型应用
4.5.1 标量
在 TensorFlow 中,标量最容易理解,它就是一个简单的数字,维度数为 0,shape 为[]。标量的一些典型用途是误差值的表示、测量指标的表示,比如精确度(Accuracy),精度(Precision),召回率等(Recall)。
如下图,横坐标为训练步数step,纵坐标为误差变化趋势,其中损失值和准确度均由张量计算产生,类型为标量,可以直接可视化为曲线图。
以均方差误差函数为例,经过 tf.keras.losses.mse(或 tf.keras.losses.MSE,两者相同功能)返回每个样本上的误差值,最后取误差的均值作为当前 Batch 的误差,它是一个标量
#随机模拟网络输出
out = tf.random.uniform([4, 10])
# 随机构造样本真实标签
y = tf.constant([2,3,2,0])
# one-hot 编码
y = tf.one_hot(y, depth=10)
# 计算每个样本的 MSE
loss = tf.keras.losses.mse(y, out)
# 平均 MSE,loss 应是标量
loss = tf.reduce_mean(loss)
###结果###
#tf.