Question

我是深度学习领域的新手，我使用对数似然法比较MSE指标。任何人都可以展示如何计算以下2个预测输出示例以及每个3个输出神经元。谢谢

yt = [[1,0,0]，[0,0,1]]

yp = [[0.9，0.2,0.2]，[0.2,0.8,0.3]]

Answer 1

MSE or Mean Squared Error 只是预测和地面真相标签之间平方差的期望值，表示为

\text{MSE}(\hat{\theta}) = E\left[(\hat{\theta} - \theta)^2\right]

其中 theta 是地面真相标签，而 theta ^ hat 是预测标签

我不确定您确切指的是什么，例如理论问题或代码的一部分

作为 Python 实现

def mean_squared_error(A, B):    
     return np.square(np.subtract(A,B)).mean()

yt = [[1,0,0],[0,0,1]] 
yp = [[0.9, 0.2,0.2], [0.2,0.8,0.3]]

mse = mean_squared_error(yt, yp) 
print(mse)

这将给出0.21

的值

如果您正在使用像 TensorFlow 这样的DL框架之一，那么它们已经提供了function来计算张量之间的mse损耗

tf.losses.mean_squared_error

其中

tf.losses.mean_squared_error(
    labels,
    predictions,
    weights=1.0,
    scope=None,
    loss_collection=tf.GraphKeys.LOSSES,
    reduction=Reduction.SUM_BY_NONZERO_WEIGHTS
)

Args：

标签：地面实况输出张量，与“预测”的尺寸相同。

预测：预测的输出。

权重：可选的Tensor，其秩为0，或与标签具有相同的秩，并且必须可广播到标签（即所有尺寸）   必须为1，或与相应的损失维度相同）。

范围：用于计算损失的操作范围。

loss_collection ：将向其中添加损失的集合。

减少额：适用于损失的减少额类型。

返回：

加权损失浮动张量。如果减少为NONE，则具有相同的   形状作为标签；否则，它是标量。

深度学习日志可能性

1 个答案: