大家好，又见面了，我是你们的朋友全栈君。如果您正在找激活码,请点击查看最新教程,关注关注公众号 “全栈程序员社区” 获取激活教程,可能之前旧版本教程已经失效.最新Idea2022.1教程亲测有效,一键激活。
Jetbrains全系列IDE稳定放心使用
神经网络模型的效果以及优化的目标是通过损失函数（loss function）来定义的。下面主要介绍适用于分类问题和回归问题的经典损失函数，并通过TensoFlow实现这些损失函数。
分类问题请参考：【分类问题损失函数——交叉熵】
回归问题解决的是对具体数值的预测，比如房价预测、销量预测等等，解决回归问题的神经网络一般只有一个输出节点，这个节点的输出值就是预测值。本文主要介绍回归问题下的损失函数——均方误差（MSE，mean squared error）。
它的定义如下：
M S E ( y , y ′ ) = ∑ i = 1 n ( y i − y i ′ ) 2 n MSE(y,y’)=\frac{\sum^n_{i=1}(y_i-y_i’)^2}{n} MSE(y,y′)=n∑i=1n(yi−yi′)2
其中， y i y_i yi为一个batch中第 i 个数据的正确答案， y i ′ y’_i yi′为神经网络给出的预测值。
下面代码展示如何用Tensor实现均方差损失函数：
mse = tf.reduce_mean(tf.square(y_ - y))
tf.reduce_mean：所有元素的均值。
y_：标准答案
y：神经网络输出的答案
发布者：全栈程序员-用户IM，转载请注明出处：https://javaforall.cn/188812.html原文链接：https://javaforall.cn
【正版授权，激活自己账号】： Jetbrains全家桶Ide使用，1年售后保障，每天仅需1毛
【官方授权 正版激活】： 官方授权 正版激活 支持Jetbrains家族下所有IDE 使用个人JB账号...
