【AI实战】快速掌握TensorFlow（四）：损失函数

在前面的文章中，我们已经学习了TensorFlow激励函数的操作使用方法（见文章：快速掌握TensorFlow（三）），今天我们将继续学习TensorFlow。

本文主要是学习掌握TensorFlow的损失函数。

一、什么是损失函数

损失函数（loss function）是机器学习中非常重要的内容，它是度量模型输出值与目标值的差异，也就是作为评估模型效果的一种重要指标，损失函数越小，表明模型的鲁棒性就越好。

 

二、怎样使用损失函数

在TensorFlow中训练模型时，通过损失函数告诉TensorFlow预测结果相比目标结果是好还是坏。在多种情况下，我们会给出模型训练的样本数据和目标数据，损失函数即是比较预测值与给定的目标值之间的差异。

下面将介绍在TensorFlow中常用的损失函数。

 

1、回归模型的损失函数

首先讲解回归模型的损失函数，回归模型是预测连续因变量的。为方便介绍，先定义预测结果（-1至1的等差序列）、目标结果（目标值为0），代码如下：

import tensorflow as tf

sess=tf.Session()

y_pred=tf.linspace(-1., 1., 100)

y_target=tf.constant(0.)

注意，在实际训练模型时，预测结果是模型输出的结果值，目标结果是样本提供的。

 

（1）L1正则损失函数（即绝对值损失函数）

L1正则损失函数是对预测值与目标值的差值求绝对值，公式如下：

在TensorFlow中调用方式如下：

loss_l1_vals=tf.abs(y_pred-y_target)

loss_l1_out=sess.run(loss_l1_vals)

L1正则损失函数在目标值附近不平滑，会导致模型不能很好地收敛。

 

（2）L2正则损失函数（即欧拉损失函数）

L2正则损失函数是预测值与目标值差值的平方和，公式如下：

当对L2取平均值，就变成均方误差（MSE, mean squared error），公式如下：

在TensorFlow中调用方式如下：

# L2损失

loss_l2_vals=tf.square(y_pred - y_target)

loss_l2_out=sess.run(loss_l2_vals)

# 均方误差

loss_mse_vals= tf.reduce.mean(tf.squar