Python tf.compat.v1.losses.mean_squared_error用法及代码示例

在训练过程中添加 Sum-of-Squares 损失。

用法

tf.compat.v1.losses.mean_squared_error(
    labels, predictions, weights=1.0, scope=None,
    loss_collection=tf.GraphKeys.LOSSES, reduction=Reduction.SUM_BY_NONZERO_WEIGHTS
)

迁移到 TF2

警告：这个 API 是为 TensorFlow v1 设计的。继续阅读有关如何从该 API 迁移到本机 TensorFlow v2 等效项的详细信息。见TensorFlow v1 到 TensorFlow v2 迁移指南有关如何迁移其余代码的说明。

tf.compat.v1.losses.mean_squared_error 主要与即刻执行和 tf.function 兼容。但是，loss_collection 参数在即刻执行时会被忽略，并且不会将任何损失写入损失集合。您将需要手动保留返回值或依赖 tf.keras.Model 损失跟踪。

要切换到本机 TF2 样式，请实例化 tf.keras.losses.MeanSquaredError 类并改为调用该对象。

到原生 TF2 的结构映射

前：

loss = tf.compat.v1.losses.mean_squared_error(
  labels=labels,
  predictions=predictions,
  weights=weights,
  reduction=reduction)

后：

loss_fn = tf.keras.losses.MeanSquaredError(
  reduction=reduction)
loss = loss_fn(
  y_true=labels,
  y_pred=predictions,
  sample_weight=weights)

如何映射参数

TF1 参数名称	TF2 参数名称	注意
labels	y_true	在__call__() 方法中
predictions	y_pred	在__call__() 方法中
weights	sample_weight	在__call__() 方法中。 sample_weight 的形状要求与 weights 不同。请检查参数定义以获取详细信息。
scope	不支持	-
loss_collection	不支持	应显式或使用 Keras API 跟踪损失，例如add_loss，而不是通过集合
reduction	reduction	在构造函数中。 tf.compat.v1.losses.softmax_cross_entropy中的tf.compat.v1.losses.Reduction.SUM_OVER_BATCH_SIZE、tf.compat.v1.losses.Reduction.SUM、tf.compat.v1.losses.Reduction.NONE的值分别对应于tf.keras.losses.Reduction.SUM_OVER_BATCH_SIZE、tf.keras.losses.Reduction.SUM、tf.keras.losses.Reduction.NONE。如果您为 reduction 使用其他值，包括默认值 tf.compat.v1.losses.Reduction.SUM_BY_NONZERO_WEIGHTS ，则没有直接对应的值。请手动修改损失实现。

使用示例之前和之后

前：

y_true = [1, 2, 3]
y_pred = [1, 3, 5]
weights = [0, 1, 0.25]
# samples with zero-weight are excluded from calculation when `reduction`
# argument is set to default value `Reduction.SUM_BY_NONZERO_WEIGHTS`
tf.compat.v1.losses.mean_squared_error(
   labels=y_true,
   predictions=y_pred,
   weights=weights).numpy()
1.0

tf.compat.v1.losses.mean_squared_error(
   labels=y_true,
   predictions=y_pred,
   weights=weights,
   reduction=tf.compat.v1.losses.Reduction.SUM_OVER_BATCH_SIZE).numpy()
0.66667

后：

y_true = [[1.0], [2.0], [3.0]]
y_pred = [[1.0], [3.0], [5.0]]
weights = [1, 1, 0.25]
mse = tf.keras.losses.MeanSquaredError(
   reduction=tf.keras.losses.Reduction.SUM_OVER_BATCH_SIZE)
mse(y_true=y_true, y_pred=y_pred, sample_weight=weights).numpy()
0.66667

weights 作为损失的系数。如果提供了标量，则损失只是按给定值缩放。如果 weights 是大小为 [batch_size] 的张量，则批次的每个样本的总损失将由 weights 向量中的相应元素重新缩放。如果 weights 的形状与 predictions 的形状匹配，则 predictions 的每个可测量元素的损失将按 weights 的相应值进行缩放。