损失函数：MSE和交叉熵

损失函数用于描述模型预测值与真实值的差距大小，一般有两种比较常见的算法——均值平方差（MSE）和交叉熵。

1、均值平方差（MSE）：指参数估计值与参数真实值之差平方的期望值。

在神经网络计算时，预测值要与真实值控制在同样的数据分布内，假设将预测值经过Sigmoid激活函数得到取值范围在0~1之间，那么真实值也归一化到0~1之间。

2、交叉熵：预测输入样本属于某一类的概率。

其中y代表真实值分类（0或1），a代表预测值，交叉熵值越小，预测结果越准。

3、损失函数的选取

损失函数的选取取决于输入标签数据的类型，如果输入的是实数、无界的值，损失函数使用平方差；如果输入标签是位矢量（分类标签），使用交叉熵会更合适。

 4、Tensorflow常见的loss函数

• 均值平方差

# logits代表标签值，outputs代表预测值
MSE = tf.reduce_mean(tf.pow(tf.sub(logits,outputs),2.0))
MSE = tf.reduce_mean(tf.square(logits-outputs))

•  交叉熵：Sigmoid交叉熵、softmax交叉熵、Sparse交叉熵、加权Sigmoid交叉熵

标签：函数,交叉,预测值,平方差,tf,MSE
来源： https://www.cnblogs.com/wyx501/p/10548657.html