大家好，又见面了，我是你们的朋友全栈君。如果您正在找激活码,请点击查看最新教程,关注关注公众号 “全栈程序员社区” 获取激活教程,可能之前旧版本教程已经失效.最新Idea2022.1教程亲测有效,一键激活。
Jetbrains全系列IDE稳定放心使用
神经网络模型的效果以及优化的目标是通过损失函数（loss function）来定义的。下面主要介绍适用于分类问题和回归问题的经典损失函数，并通过TensoFlow实现这些损失函数。
分类问题请参考：【分类问题损失函数——交叉熵】
回归问题解决的是对具体数值的预测，比如房价预测、销量预测等等，解决回归问题的神经网络一般只有一个输出节点，这个节点的输出值就是预测值。本文主要介绍回归问题下的损失函数——均方误差（MSE，mean squared error）。
它的定义如下：
M S E ( y , y ′ ) = ∑ i = 1 n ( y i − y i ′ ) 2 n MSE(y,y’)=\frac{\sum^n_{i=1}(y_i-y_i’)^2}{n} MSE(y,y′)=n∑i=1n(yi−yi′)2
其中， y i y_i yi为一个batch中第 i 个数据的正确答案， y i ′ y’_i yi′为神经网络给出的预测值。
下面代码展示如何用Tensor实现均方差损失函数：
mse = tf.reduce_mean(tf.square(y_ - y))
tf.reduce_mean：所有元素的均值。
y_：标准答案
y：神经网络输出的答案
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请联系我们举报，一经查实，本站将立刻删除。
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/188812.html原文链接：https://javaforall.net
