python之如何在 tensorflow session 中使用 mean_squared_error 损失

我是tensorflow的新手

在 tensorflow session 的部分代码中，有:

 loss = tf.nn.softmax_cross_entropy_with_logits_v2( 
                    logits=net, labels=self.out_placeholder, name='cross_entropy') 
                self.loss = tf.reduce_mean(loss, name='mean_squared_error') 

为此，我想使用 mean_squared_error 损失函数。我在 tensorflow 网站上找到了这个损失函数:

tf.losses.mean_squared_error( 
labels, 
predictions, 
weights=1.0, 
scope=None, 
loss_collection=tf.GraphKeys.LOSSES, 
reduction=Reduction.SUM_BY_NONZERO_WEIGHTS 
) 

我需要这个损失函数来解决回归问题。

我试过:

loss = tf.losses.mean_squared_error(predictions=net, labels=self.out_placeholder) 
self.loss = tf.reduce_mean(loss, name='mean_squared_error') 

其中 net = tf.matmul(input_tensor, weights) + biases

但是，我不确定这是不是正确的方法。

请您参考如下方法:

首先请记住，交叉熵主要用于分类，而 MSE 用于回归。

在您的情况下，交叉熵测量两个分布之间的差异(真实发生，称为标签 - 和您的预测)

因此，虽然第一个损失函数作用于 softmax 层的结果(可以看作是概率分布)，但第二个损失函数直接作用于网络的浮点输出(没有概率分布)——因此它们不能简单地交换。