我是TensorFlow的新手

在TensorFlow会话的一部分代码中，有以下内容：

 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')

我想为此使用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处理回归问题。

我尝试了以下方法：

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

然而，我不确定这是否是正确的方法。

回答：

首先要记住，交叉熵主要用于分类，而均方误差（MSE）用于回归。

在你的例子中，交叉熵测量的是两个分布之间的差异（实际发生的，称为标签 – 和你的预测）

因此，虽然第一个损失函数适用于softmax层的输出（可以视为概率分布），第二个损失函数直接作用于网络的浮点数输出（这不是概率分布） – 因此它们不能简单地互换使用。