Module: tf.losses-CSDN博客

本文链接：https://blog.csdn.net/yewumeng123/article/details/131351079

tf.losses模块提供了神经网络损失计算的功能，包括添加自定义损失、获取损失列表和计算总损失。add_loss用于将损失张量添加到损失集合，get_losses用于获取特定集合中的损失，而get_total_loss则计算所有损失的总和，可选是否包含正则化损失。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

tf.losses

- Module: tf.losses

Module: tf.losses

作用：用于神经网络的损失运算
注意点：默认情况下，所有损失都会添加到GraphKeys.losses集合中。

1. tf.losses.add_loss

将外部定义的损失添加到损失集合中

# 官方接口
tf.losses.add_loss(
    loss, loss_collection=tf.GraphKeys.LOSSES
)
'''
loss: Tensor张量
loss_collection: 可将损失添加到指定集合。 默认为GraphKeys.losses集合
'''

2. tf.losses.get_losses

从loss_collection中获取损失列表

tf.losses.get_losses(
    scope=None, loss_collection=tf.GraphKeys.LOSSES
)
'''
scope: 指定作用域名称，从而过滤损失列表
loss_collection: 损失集合
'''

3. tf.losses.get_total_loss

返回一个Tensor张量，对所有损失求和

tf.losses.get_total_loss(
    add_regularization_losses=True, name='total_loss', scope=None
)
'''
参数：
	add_regularization_losses: bool类型，是否在损失加和过程中使用正则化损失
	name: 返回的Tensor张量的名称
	scope: 指定作用域名称，从而过滤损失列表
返回值：
	返回一个Tensor张量， 其值可代表所有的损失
'''

代码示例：

# 创建两个Tensor张量，添加到默认的损失集合中
loss1 = tf.constant(1, shape=[1], dtype=tf.float32)
loss2 = tf.constant(10, shape=[1], dtype=tf.float32)
tf.losses.add_loss(loss1)
tf.losses.add_loss(loss2)
# 打印损失集合中的元素
print(tf.losses.get_losses())
'''
[<tf.Tensor 'Const:0' shape=(1,) dtype=float32>, <tf.Tensor 'Const_1:0' shape=(1,) dtype=float32>]
'''
with tf.Session() as sess:
   print("totol loss:", sess.run(tf.losses.get_total_loss()))
'''
totol loss: [11.]
'''