tf.losses.mean_squared_error

tf源代碼中:

def mean_squared_error(

labels, predictions, weights=1.0, scope=None,

? ? loss_collection=ops.GraphKeys.LOSSES,

? ? reduction=Reduction.SUM_BY_NONZERO_WEIGHTS):

"""Adds a Sum-of-Squares loss to the training procedure.

`weights` acts as a coefficient for the loss. If a scalar is provided, then

the loss is simply scaled by the given value. If `weights` is a tensor of size

`[batch_size]`, then the total loss for each sample of the batch is rescaled

by the corresponding element in the `weights` vector. If the shape of

`weights` matches the shape of `predictions`, then the loss of each

measurable element of `predictions` is scaled by the corresponding value of

`weights`.

Args:

labels: The ground truth output tensor, same dimensions as 'predictions'.

predictions: The predicted outputs.

weights: Optional `Tensor` whose rank is either 0, or the same rank as

`labels`, and must be broadcastable to `labels` (i.e., all dimensions must

be either `1`, or the same as the corresponding `losses` dimension).

scope: The scope for the operations performed in computing the loss.

loss_collection: collection to which the loss will be added.

reduction: Type of reduction to apply to loss.

Returns:

Weighted loss float `Tensor`. If `reduction` is `NONE`, this has the same

? ? shape as `labels`; otherwise, it is scalar.

這里的參數(shù)weights十分有用猖闪,可以對需要求差異的輸入部分截取,即只計算部分labels和predictions的MSE宪肖,最終除數(shù)也是真實的計算元素個數(shù)。

import tensorflowas tf

a = tf.constant([[1,2],[3,4]])

b = tf.constant([[2,1],[5,6]])

mask = tf.constant([[1,0],[1,0]])

# mse loss :

recon_loss = tf.losses.mean_squared_error(a, b, mask)

result = tf.Session().run(recon_loss)

print(result)

輸出:[(1-2)^2+(3-5)^2]/2 = 2.5

?著作權歸作者所有,轉載或內(nèi)容合作請聯(lián)系作者
  • 序言:七十年代末,一起剝皮案震驚了整個濱河市民效,隨后出現(xiàn)的幾起案子区岗,更是在濱河造成了極大的恐慌,老刑警劉巖眠菇,帶你破解...
    沈念sama閱讀 222,378評論 6 516
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件边败,死亡現(xiàn)場離奇詭異,居然都是意外死亡捎废,警方通過查閱死者的電腦和手機笑窜,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 94,970評論 3 399
  • 文/潘曉璐 我一進店門,熙熙樓的掌柜王于貴愁眉苦臉地迎上來登疗,“玉大人排截,你說我怎么就攤上這事》妫” “怎么了断傲?”我有些...
    開封第一講書人閱讀 168,983評論 0 362
  • 文/不壞的土叔 我叫張陵,是天一觀的道長智政。 經(jīng)常有香客問我认罩,道長,這世上最難降的妖魔是什么女仰? 我笑而不...
    開封第一講書人閱讀 59,938評論 1 299
  • 正文 為了忘掉前任猜年,我火速辦了婚禮抡锈,結果婚禮上,老公的妹妹穿的比我還像新娘乔外。我一直安慰自己床三,他們只是感情好,可當我...
    茶點故事閱讀 68,955評論 6 398
  • 文/花漫 我一把揭開白布杨幼。 她就那樣靜靜地躺著撇簿,像睡著了一般。 火紅的嫁衣襯著肌膚如雪差购。 梳的紋絲不亂的頭發(fā)上四瘫,一...
    開封第一講書人閱讀 52,549評論 1 312
  • 那天,我揣著相機與錄音欲逃,去河邊找鬼找蜜。 笑死,一個胖子當著我的面吹牛稳析,可吹牛的內(nèi)容都是我干的洗做。 我是一名探鬼主播,決...
    沈念sama閱讀 41,063評論 3 422
  • 文/蒼蘭香墨 我猛地睜開眼彰居,長吁一口氣:“原來是場噩夢啊……” “哼诚纸!你這毒婦竟也來了?” 一聲冷哼從身側響起陈惰,我...
    開封第一講書人閱讀 39,991評論 0 277
  • 序言:老撾萬榮一對情侶失蹤畦徘,失蹤者是張志新(化名)和其女友劉穎,沒想到半個月后抬闯,有當?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體井辆,經(jīng)...
    沈念sama閱讀 46,522評論 1 319
  • 正文 獨居荒郊野嶺守林人離奇死亡,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點故事閱讀 38,604評論 3 342
  • 正文 我和宋清朗相戀三年画髓,在試婚紗的時候發(fā)現(xiàn)自己被綠了掘剪。 大學時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片。...
    茶點故事閱讀 40,742評論 1 353
  • 序言:一個原本活蹦亂跳的男人離奇死亡奈虾,死狀恐怖夺谁,靈堂內(nèi)的尸體忽然破棺而出,到底是詐尸還是另有隱情肉微,我是刑警寧澤匾鸥,帶...
    沈念sama閱讀 36,413評論 5 351
  • 正文 年R本政府宣布,位于F島的核電站碉纳,受9級特大地震影響勿负,放射性物質(zhì)發(fā)生泄漏。R本人自食惡果不足惜劳曹,卻給世界環(huán)境...
    茶點故事閱讀 42,094評論 3 335
  • 文/蒙蒙 一奴愉、第九天 我趴在偏房一處隱蔽的房頂上張望琅摩。 院中可真熱鬧,春花似錦锭硼、人聲如沸房资。這莊子的主人今日做“春日...
    開封第一講書人閱讀 32,572評論 0 25
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽轰异。三九已至,卻和暖如春暑始,著一層夾襖步出監(jiān)牢的瞬間搭独,已是汗流浹背。 一陣腳步聲響...
    開封第一講書人閱讀 33,671評論 1 274
  • 我被黑心中介騙來泰國打工廊镜, 沒想到剛下飛機就差點兒被人妖公主榨干…… 1. 我叫王不留牙肝,地道東北人。 一個月前我還...
    沈念sama閱讀 49,159評論 3 378
  • 正文 我出身青樓期升,卻偏偏與公主長得像惊奇,于是被迫代替她去往敵國和親。 傳聞我的和親對象是個殘疾皇子播赁,可洞房花燭夜當晚...
    茶點故事閱讀 45,747評論 2 361

推薦閱讀更多精彩內(nèi)容

  • According to this notion,if you bilieve a particular beha...
    張?zhí)硌?/span>閱讀 152評論 0 1
  • 天黑了 月亮卻怎么遲遲不上來 他們說 我是上帝的小孩 明月為我而升 星星為我而亮 連山間的花都為我而綻放 可是,今...
    蘋果愛上我閱讀 150評論 0 0
  • 親愛的逸寒: 快大雪時節(jié)了吼渡,天亦更冷容为,你穿得還暖和吧? 親愛的兒子寺酪,你的心情好些了嗎坎背?還在生爸爸媽媽的...
    小天_ff7b閱讀 199評論 0 0