数据

在实际情况中，假设我们训练得到的label是类似(a, b)的二维坐标点，这里我们用变量labels代表数据原有的标签，用pred代表训练得到的输出，数据用array，np.float32的格式表示。

import numpy as np#Original labels for data
labels = np.array([[-3.087136  ,  0.773723  ],[ 0.5237208 , -2.3611534 ],[ 0.12045471,  0.23965162],[ 2.037887  ,  2.9082034 ],[ 1.630416  ,  4.253656  ],[ 1.581672  , -0.90316653],[ 2.1582973 ,  5.3201227 ],[-0.6064952 , -0.3148525 ],[-3.6611197 ,  1.844364  ],[-2.095178  , -4.3820047 ]], dtype=np.float32)#Predicted result from the model
pred = np.array([[-3.6970375 ,  0.61645496],[ 0.5356902 , -2.699189  ],[ 0.53962135,  0.28041327],[ 2.0638177 ,  2.8185306 ],[ 1.5602324 ,  4.3334904 ],[ 1.8943653 , -1.141346  ],[ 2.102385  ,  5.4475656 ],[-0.88059306, -0.72823447],[-4.00045   ,  1.6507398 ],[-2.4099615 , -4.7156816 ]], dtype=np.float32)

tf.losses.mean_squared_error函数用于求MSE

我们用以下代码求MSE：

import tensorflow as tf#Definition
y = tf.placeholder("float32", [None, 2])
x = tf.placeholder("float32", [None, 2])
cost = tf.losses.mean_squared_error(labels=y , predictions=x, weights=1)#Initializer
init = tf.global_variables_initializer()#Session
with tf.Session() as sess:sess.run(init)loss = sess.run([cost], feed_dict={y: labels, x: pred})print(loss)

运行以上代码，我们得到了这样的输出：

[0.07457263]

接下来我们自己写一个函数来验证tf.losses.mean_squared_error()函数的功能。

验证

这里因为楼主知道数据是二维的，所以写得简单了一些，主要目的是为了让大家更直观理解函数性质。

def simulated_mean_squared_error(x, y): #For two dimensional datam=(x-y)**2error=0count=0for i in m:  #这里因为楼主提前知道数据是二维的，所以写了两个for loopfor j in i:error+=jcount=count+1error=error/countreturn error

然后根据我们的数据，得出模拟的结果：

loss = simulated_mean_squared_error(pred, labels)
print(loss)

0.07457262602765695

Exactly, 得到了相同的result。

结论

所以，根据比较我们可知，对于类似的像我们这里用的10*2维度的数据来说，tf.losses.mean_squared_error函数的功能就是先对于给定的两组数据做差，然后再进行elementwise的平方，最后进行elementwise相加并除以总element的个数（比如在此例中是除以20）。

tf.losses.mean_squared_error函数浅析相关推荐

distance在函数 int_TensorFlow函数：tf.losses.cosine_distance
tf.losses.cosine_distance函数tf.losses.cosine_distance( labels, predictions, axis=None, weights=1.0, s ...
Tensorflow BatchNormalization详解：4_使用tf.nn.batch_normalization函数实现Batch Normalization操作...
使用tf.nn.batch_normalization函数实现Batch Normalization操作觉得有用的话,欢迎一起讨论相互学习~Follow Me 参考文献吴恩达deeplearnin ...
tf.nn.embedding_lookup函数的用法
tf.nn.embedding_lookup函数的用法主要是选取一个张量里面索引对应的元素.tf.nn.embedding_lookup(params, ids):params可以是张量也可以是数组等 ...
Tensorflow利用函数修饰符@tf.custom_gradients自定义函数梯度
Tensorflow学习笔记(1) 利用函数修饰符@tf.custom_gradients自定义函数梯度_寂乐居士的博客-CSDN博客_tf.custom_gradient python中的修饰符以及 ...
tf.nn.moments( )函数的使用
先来看个例子吧. 测试代码: x = np.arange(12,dtype=np.float32).reshape(3,4) a = tf.nn.moments(tf.constant(x),[0]) ...
OpenCV学习笔记(5)_ ellipse绘制函数浅析
OpenCV学习笔记(5)_ ellipse绘制函数浅析文章目录 OpenCV学习笔记(5)_ ellipse绘制函数浅析 1. ellipse第一种重载--绘制椭圆弧 1.1 函数原型 1.2 参 ...
python中divmod的意思是_python 中的divmod数字处理函数浅析
divmod(a,b)函数中文说明: divmod(a,b)方法返回的是a//b(除法取整)以及a对b的余数返回结果类型为tuple 参数: a,b可以为数字(包括复数) 版本: 在python2 ...
【TensorFlow】(四)tf.feature_column.embedding_column()函数
1.作用将sparse/categrical特征转化为dense 向量.one-hot产生的向量,易造成数据的稀疏化,对于推荐系统而言,大维度的稀疏数据对于结果的影响较大,因此我们考虑使用embed ...
tf.image.sample_distorted_bounding_box函数
此函数为图像生成单个随机变形的边界框.函数输出的是可用于裁剪原始图像的单个边框.返回值为3个张量:begin,size和 bboxes.前2个张量用于 tf.slice 剪裁图像.后者可以用于 tf. ...

tf.losses.mean_squared_error函数浅析

tf.losses.mean_squared_error函数解读

数据

tf.losses.mean_squared_error函数用于求MSE

验证

结论

tf.losses.mean_squared_error函数浅析相关推荐

最新文章

热门文章