TensorFlow 提供了多种损失函数，这些损失函数是构建机器学习模型的关键部分。在本教程中，我们将介绍 TensorFlow 中常用的损失函数，并展示如何使用它们。

常用损失函数

以下是 TensorFlow 中一些常用的损失函数：

  • 均方误差 (MSE): 用于回归问题，计算预测值与真实值之间差的平方的平均值。
  • 交叉熵 (Cross-Entropy): 用于分类问题，计算预测概率与真实标签之间差异的损失。
  • 二元交叉熵 (Binary Cross-Entropy): 用于二分类问题，是交叉熵的特殊情况。
  • 稀疏交叉熵 (Sparse Categorical Cross-Entropy): 用于多分类问题，当标签是整数索引时使用。

示例代码

以下是一个使用 TensorFlow 计算均方误差的示例代码：

import tensorflow as tf

# 创建一些随机数据
x = tf.random.normal([10, 5])
y = tf.random.normal([10, 5])

# 创建模型
model = tf.keras.Sequential([
    tf.keras.layers.Dense(10, activation='relu'),
    tf.keras.layers.Dense(5)
])

# 计算损失
loss = tf.keras.losses.MeanSquaredError()(y, model(x))

print(loss)

扩展阅读

如果您想了解更多关于 TensorFlow 损失函数的信息，可以阅读以下文档：

TensorFlow Logo