Question

我是tensorflow的新手

在张量流会话的代码的一部分中，有：

 loss = tf.nn.softmax_cross_entropy_with_logits_v2(
                    logits=net, labels=self.out_placeholder, name='cross_entropy')
                self.loss = tf.reduce_mean(loss, name='mean_squared_error')

我想为此使用mean_squared_error丢失功能。我在Tensorflow网站上发现了这种损失功能：

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

我需要这个损失函数来解决回归问题。

我尝试过：

loss = tf.losses.mean_squared_error(predictions=net, labels=self.out_placeholder)
self.loss = tf.reduce_mean(loss, name='mean_squared_error')

net = tf.matmul(input_tensor, weights) + biases

但是，我不确定这是否正确。

Answer 1

首先要记住，交叉熵主要用于分类，而MSE用于回归。

在您的情况下，交叉熵衡量了两种分布之间的差异（实际发生的情况，称为标签-和您的预测）

因此，尽管第一个损失函数作用于softmax层的结果（可以看作是概率分布），而第二个损失函数直接作用于网络的浮点输出（没有概率分布）-因此它们不能简单地交换。

如何在tensorflow会话中使用mean_squared_error损失

1 个答案: