Question

我对TensorFlow很新，我注意到here有tf.losses.mean_squared_error来实现均方误差丢失函数。

在使用它之前，我玩过TF并写了

tf.reduce_mean(tf.reduce_sum(tf.square(tf.subtract(y, y_))))

然而，这会产生不同的结果。对我来说，它看起来是相同的公式。出了什么问题？

两种配方有何不同？（那么tf.nn.l2_loss呢？）

另外，我正在尝试执行MLP，并且使用mse丢失函数作为tf.train.GradientDescentOptimizer(0.5).minimize(mse)的输入。可以使用此函数（mse = tf.losses.mean_squared_error(y, y_)）（在回归问题中）也可以使用＆＃34;准确度＆＃34;使用sess.run(mse, feed_dict = {x:X_test, y: y_test})在测试集上？或者有什么区别？

Answer 1

这是因为你在取平均值之前求和，所以得到平方误差而不是它的均值。将tf.reduce_mean(tf.reduce_sum(tf.square(tf.subtract(y, y_))))更改为tf.reduce_mean((tf.square(tf.subtract(y, y_)))

import tensorflow as tf
import numpy as np
y = tf.get_variable("y", [1, 5])
x = tf.get_variable("x", [1, 5])
sess = tf.Session()
t = tf.reduce_mean(tf.reduce_sum(tf.square(tf.subtract(y, x))))
t2 = tf.losses.mean_squared_error(x, y)
t3 = tf.reduce_mean(tf.square(tf.subtract(y, x)))
sess.run(t, {"x": np.ones((1, 5)), "y": np.zeros((1, 5))})  # 5
sess.run(t2, {x: np.ones((1, 5)), y: np.zeros((1, 5))})  # 1
sess.run(t3, {x: np.ones((1, 5)), y: np.zeros((1, 5))})  # 1

tensorflow - 这相当于mse？

1 个答案: