TensorFlow 提供了一系列的损失函数，用于在模型训练过程中评估预测值与真实值之间的差异。以下是一些常用的损失函数及其用法。

常用损失函数

  • 均方误差（Mean Squared Error, MSE）：用于回归问题，计算预测值和真实值之间差的平方的平均值。

    • 公式：MSE = (1/N) * Σ(y_i - y'_i)^2
    • 示例代码：tf.keras.losses.MeanSquaredError()

  • 交叉熵（Cross-Entropy）：用于分类问题，计算预测概率分布与真实概率分布之间的差异。

    • 公式：H(y, p) = -Σy_i * log(p_i)
    • 示例代码：tf.keras.losses.CategoricalCrossentropy()

  • 二元交叉熵（Binary Cross-Entropy）：交叉熵的特例，用于二分类问题。

    • 示例代码：tf.keras.losses.BinaryCrossentropy()

示例

以下是一个使用均方误差损失函数的简单示例：

import tensorflow as tf

# 创建模型
model = tf.keras.models.Sequential([
    tf.keras.layers.Dense(10, activation='relu', input_shape=(8,)),
    tf.keras.layers.Dense(1)
])

# 编译模型
model.compile(optimizer='adam', loss=tf.keras.losses.MeanSquaredError())

# 训练模型
model.fit(x_train, y_train, epochs=10)

扩展阅读

更多关于 TensorFlow 损失函数的详细信息，请访问 TensorFlow Losses API。

TensorFlow Logo