定义系数

在下面的代码中，设 m 是样本数量，n 是特征数量，P 是类别数量。这里应该在代码之前定义这些全局参数：

在标准线性回归的情况下，只有一个输入变量和一个输出变量：

import tensorflow.compat.v1 as tf
tf.disable_eager_execution()#保证sess.run()能够正常运行
sess=tf.InteractiveSession()
m=1000
n=15
p=2
X=tf.placeholder(tf.float32,name="X")
Y=tf.placeholder(tf.float32,name="Y")
w0=tf.Variable(0.0)
w1=tf.Variable(0.0)
Y_hat=X*w1+w0
#损失函数
loss=tf.square(Y-Y_hat,name='loss')
#多元线性回归情况 输入变量不止一个，可定义X 的大小为[m,n],m:样本数量，n：特征数量
X_1=tf.placeholder(tf.float32,name="X1",shape=[m,n])
Y_1=tf.placeholder(tf.float32,name="Y1")
w_1_0=tf.Variable(0.0)
w_1_1=tf.Variable(0.0)
Y_hat_1=tf.matmul(X_1,w_1_1)+w_1_0
loss_1=tf.reduce_mean(tf.square(Y_1-Y_hat_1))
#逻辑回归，损失函数定义为交叉熵
# 输出Y的维数等于训练数据集中的列别的数据，P为类别数量
X_2=tf.placeholder(tf.float32,name="X1",shape=[m,n])
Y_2=tf.placeholder(tf.float32,name="Y1"，shape=[m,P])
w_2_0=tf.Variable(tf.zeros([1,P],name='bias'))
w_2_1=tf.Variable(tf.random_normal(n,1),name="weights")
Y_hat_2=tf.matmul(X_2,w_2_1)+w_2_0
entropy=tf.nn.softmax_cross_entropy_with_logits(Y_hat_2,Y_2)
loss_2=tf.reduce_mean(entropy)
#如果想把 L1 正则化加到损失上
lambd=tf.constant(0.8)
regularization_param=lamda*tf.reduce_sum(tf.abs(w_1_1))
loss_1+=regularization_param
#对L2正则化
regularization_param=lamda*tf.nn.l2_loss(tf.abs(w_1_1))
loss_1+=regularization_param
#由此，你应该学会了如何实现不同类型的损失函数。那么根据手头的回归任务，你可以选择相应的损失函数或设计自己的损失函数。在损失项中也可以结合 L1 和 L2 正则化。

最后

以上就是生动寒风为你收集整理的TensorFlow损失函数定义系数的全部内容，希望文章能够帮你解决TensorFlow损失函数定义系数所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。