Reference: https://blog.csdn.net/marsjhao/article/details/72630147
分类问题损失函数-交叉熵（crossentropy)
交叉熵描述的是两个概率分布之间的距离，分类中广泛使用的损失函数，公式如下
在网络中可以通过Softmax回归将前向传播得到的结果变为交叉熵要求的概率分数值。Tensorflow中，Softmax回归的参数被去掉，通过一层将神经网络的输出变为一个概率分布。
代码实现
import tensorflow as tf y_ = tf.constant([[1.0, 0, 0]]) # 正确标签 y1 = tf.constant([[0.9, 0.06, 0.04]]) # 预测结果1 y2 = tf.constant([[0.5, 0.3, 0.2]]) # 预测结果2 # 以下为未经过Softmax处理的类别得分 y3 = tf.constant([[10.0, 3.0, 2.0]]) y4 = tf.constant([[5.0, 3.0, 1.0]]) # 自定义交叉熵 cross_entropy1 = -tf.reduce_mean(y_ * tf.log(tf.clip_by_value(y1, 1e-10, 1.0))) #tf.clip_by_value 将一个tensor元素数值限制在指定范围内,防止一些错误，起到数值检查作用。 cross_entropy2 = -tf.reduce_mean(y_ * tf.log(tf.clip_by_value(y2, 1e-10, 1.0))) # TensorFlow提供的集成交叉熵 # 注：该操作应该施加在未经过Softmax处理的logits上，否则会产生错误结果 # labels为期望输出，且必须采用labels=y_, logits=y的形式将参数传入 cross_entropy_v2_1 = tf.nn.softmax_cross_entropy_with_logits(labels=y_, logits=y3) cross_entropy_v2_2 = tf.nn.softmax_cross_entropy_with_logits(labels=y_, logits=y4) sess = tf.InteractiveSession() print(‘[[0.9, 0.06, 0.04]]:‘, cross_entropy1.eval()) print(‘[[0.5, 0.3, 0.2]]:‘, cross_entropy2.eval()) print(‘v2_1‘, cross_entropy_v2_1.eval()) print(‘v2_2‘,cross_entropy_v2_2.eval()) sess.close() ‘‘‘ [[0.9, 0.06, 0.04]]: 0.0351202 [[0.5, 0.3, 0.2]]: 0.231049 v2_1 [ 0.00124651] v2_2 [ 0.1429317] ‘‘‘
回归问题损失函数-均方误差（MSE,mean squared error）
均方误差也可以用于分类问题的损失函数，
自定义损失函数
对于如下自定义损失函数的Tensorflow实现
loss= tf.reduce_sum(tf.where(tf.greater(y, y_), (y-y_)*loss_more,(y_-y)*loss_less))
tf.greater(x,y),返回x>y判断结果的bool型tensor。 tf.where(condition,x=None,y=None,name=None)根据condition选择x或者y。
代码实现
import tensorflow as tf
from numpy.random import RandomState
batch_size = 8
x = tf.placeholder(tf.float32, shape=(None, 2), name=‘x-input‘)
y_ = tf.placeholder(tf.float32, shape=(None, 1), name=‘y-input‘)
w1 = tf.Variable(tf.random_normal([2,1], stddev=1, seed=1))
y = tf.matmul(x, w1)
# 根据实际情况自定义损失函数
loss_less = 10
loss_more = 1
# tf.select()在1.0以后版本中已删除，tf.where()替代
loss = tf.reduce_sum(tf.where(tf.greater(y, y_),
(y-y_)*loss_more, (y_-y)*loss_less))
train_step = tf.train.AdamOptimizer(learning_rate=0.001).minimize(loss)
rdm = RandomState(seed=1) # 定义一个随机数生成器并设定随机种子
dataset_size = 128
X = rdm.rand(dataset_size, 2)
Y = [[x1 + x2 +rdm.rand()/10.0 - 0.05] for (x1, x2) in X] # 增加一个-0.05~0.05的噪声
sess = tf.InteractiveSession()
tf.global_variables_initializer().run()
for i in range(5000):
start = (i * batch_size) % dataset_size
end = min(start+batch_size, dataset_size)
train_step.run({x: X[start: end], y_: Y[start: end]})
if i % 500 == 0:
print(‘step%d:\n‘ % i, w1.eval())
print(‘final w1:\n‘, w1.eval())
sess.close()
‘‘‘
loss_less = 10
loss_more = 1
final w1:
[[ 1.01934695]
[ 1.04280889]]
loss_less = 1
loss_more = 10
final w1:
[[ 0.95525807]
[ 0.9813394 ]]
loss_less = 1
loss_more = 1
final w1:
[[ 0.9846065 ]
[ 1.01486754]]
‘‘‘
Tensorflow 的Cross_Entropy实现
1. tf.nn.softmax_cross_entropy_with_logits(_sentinel=None,labels=None,logits=None,dim=-1,name=Node)
作用：自动计算logits(未经过Softmax)与labels 之间的cross_entropy交叉熵。logits 为神经网络最后一层的输出，有batch的话，大小为[batchsize,num_classes]，单样本的话就是num_classes。labels：为ground Truth大小同上。labels的每一行为one-hot表示。
2.tf.nn.sparse_softmax_cross_entropy_with_logits()
输入的logits是未经缩放的，函数内部对logits进行一个softmax操作。返回值为一个向量，求交叉熵做一步tf.reduce_sum操作，求loss，进一步做tf.reduce_mean，对向量求均值。
3.tf.nn.sigmoid_cross_entropy_with_logits(_sentinel=None,labels=None,logits=None,name=None)
4.tf.nn.weithted_cross_entropy_with_logits(targets,logits,pos_weith,name=None)
学习率的四种改变形式：
1.fixed:learning rate 固定不变
2.Step:在每次迭代stepsize次后，减少gmma倍。lr = lr x gamma
3. polynomial: 呈多项式曲线下降，lr = base_lr x(t/T)^power
4. Inv:随着迭代次数的增加而下降。LR = base_lr x(1+gmma x iter)^power
原文地址：https://www.cnblogs.com/fourmi/p/9939666.html