【深度学习】回归问题损失函数——均方误差（MSE）

大家好，又见面了，我是你们的朋友全栈君。

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， 请发送邮件至 举报，一经查实，本站将立刻删除。