我正在研究这个教程。我目前正在修改损失函数。观察到，

    deltas=tf.square(y_est-y)    loss=tf.reduce_sum(deltas)

我理解这是在计算输出与真实标签之间的平方差。然后，损失是这些平方和的总和。因此，如果将单个样本的平方误差记为S_i，对于样本i，当批次损失只是\sum_{i} f(S_i)时，情况非常简单，其中求和涵盖所有样本。但是，如果不能将损失写成这种形式呢？也就是说，整个数据的批次损失是f({S_i})，对于某个一般的f，其中i涵盖所有样本。也就是说，整个数据的损失不能通过其组成样本的损失的简单线性组合来计算。你如何在tensorflow中编写这种情况的代码？谢谢你。

以下是对f的更多细节。神经网络的输出是u_i，其中i从1到n。n是我们拥有的样本数量。我的误差类似于

sum_{i from 1 to n} C_i log{sum_{k from 1 to n} I_{ik} exp{-d(u_i,u_k)} }

C_i是连接到节点i的节点数量，我已经拥有这个值并且它是一个常数。I_{ik}如果节点i和节点k未连接，则为1。

谢谢你的代码。也许我的问题表达得不够准确。我并不是真的在寻找损失函数的代码。我自己可以做到。如果你看，

deltas=tf.square(y_est-y)loss=tf.reduce_sum(deltas)

deltas，它们是（1,3）吗？上面一点读到

# Placeholders for input and output dataX = tf.placeholder(shape=(120, 4), dtype=tf.float64, name='X')y = tf.placeholder(shape=(120, 3), dtype=tf.float64, name='y')# Variables for two group of weights between the three layers of the networkW1 = tf.Variable(np.random.rand(4, hidden_nodes), dtype=tf.float64)W2 = tf.Variable(np.random.rand(hidden_nodes, 3), dtype=tf.float64)# Create the neural net graphA1 = tf.sigmoid(tf.matmul(X, W1))y_est = tf.sigmoid(tf.matmul(A1, W2))

我认为它是（1,3）。他们使用（1,3）的y_est和y。我想知道对于任何给定的m，处理（m,3）的y_est和y的具体tensorflow语法是什么。

回答：

我的语法可能有误…但这应该能给你一个大致的概念。此外，你可以通过向量化进一步优化它。我只是简单地按原样放置了你的损失函数。
N是批次大小。

def f(C, I, U, N):    loss = 0    for i in range(N):         sum_ = 0         for k in range(N):              sum_ += I[i,k] * tf.exp(d(u[i]-u[k])         loss += C[i]*tf.log(sum)    return loss    loss = f(C,I,U, batch_size)