损失函数——均方误差和交叉熵

1.MSE（均方误差）

MSE是指真实值与预测值（估计值）差平方的期望，计算公式如下：

MSE = 1/m (Σ(y_m-y‘_m)²)，所得结果越大，表明预测效果越差，即y和y‘相差越大

y = tf.constant([1,2,3,0,2])
y = tf.one_hot(y,depth=4)
y = tf.cast(y,dtype=tf.float32)

out = tf.random.normal([5,4])
# MSE标准定义方式
loss1 = tf.reduce_mean(tf.square(y-out))
# L2-norm的标准定义方式
loss2 = tf.square(tf.norm(y-out))/(5*4)
# 直接调用losses中的MSE函数
loss3 = tf.reduce_mean(tf.losses.MSE(y,out))

print(loss1)
print(loss2)
print(loss3)

2.Cross Entropy Loss（交叉熵）

在理解交叉熵之前，首先来认识一下熵，计算公式如下：

Entropy = -ΣP(i)logP(i)，越小的交叉熵对应越大的信息量，即模型越不稳定

a = tf.fill([4],0.25)
a = a*tf.math.log(a)/tf.math.log(2.)
print(a)
CEL = -tf.reduce_sum(a*tf.math.log(a)/tf.math.log(2.))
print(CEL)

a = tf.constant([0.1,0.1,0.1,0.7])
CEL = -tf.reduce_sum(a*tf.math.log(a)/tf.math.log(2.))
print(CEL)

a = tf.constant([0.01,0.01,0.01,0.97])
CEL = -tf.reduce_sum(a*tf.math.log(a)/tf.math.log(2.))
print(CEL)

交叉熵主要用于度量两个概率分布间的差异性信息，计算公式如下：

H(p,q) = -Σp(x)logq(x)

也可以写成如下式子：

H(p,q) = H(p) + D_KL(p|q) ，其中D_KL(p|q)代表p和q之间的距离

当p=q时，H(p,q) = H(p)

当p编码为one-hot时，h(p:[0,1,0]) = -1log1 = 0，H([0,1,0],[p0,p1,p2])=0+D_KL(p|q)=-1logq1

loss1 = tf.losses.categorical_crossentropy([0,1,0,0],[0.25,0.25,0.25,0.25])
loss2 = tf.losses.categorical_crossentropy([0,1,0,0],[0.1,0.1,0.7,0.1])
loss3 = tf.losses.categorical_crossentropy([0,1,0,0],[0.01,0.97,0.01,0.01])
print(loss1)
print(loss2)
print(loss3)

原文地址：https://www.cnblogs.com/zdm-code/p/12236067.html