tf.compat.v1.losses.mean_squared_error

Добавляет к процедуре обучения функцию потерь на основе суммы квадратов.

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

Переход на TF2

tf.compat.v1.losses.mean_squared_error в основном совместима с eager-выполнением и tf.function. Однако аргумент loss_collection игнорируется при eager-выполнении, и функция потерь не будет добавлена в коллекции потерь. Вам потребуется либо самостоятельно сохранить возвращаемое значение, либо использовать отслеживание потерь в tf.keras.Model.

Чтобы перейти на нативный стиль TF2, создайте экземпляр класса tf.keras.losses.MeanSquaredError и вызовите этот объект.

Структурное соответствие нативному TF2

До:

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

После:

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

Сопоставление аргументов

Имя аргумента TF1	Имя аргумента TF2	Примечание
`labels`	`y_true`	В методе `__call__()`
`predictions`	`y_pred`	В методе `__call__()`
`weights`	`sample_weight`	В методе `__call__()`. Требования к форме для `sample_weight` отличаются от требований для `weights`. Подробности см. в определении аргумента.
`scope`	Не поддерживается	-
`loss_collection`	Не поддерживается	Потери следует отслеживать явно или с помощью API Keras, например add_loss, а не через коллекции
`reduction`	`reduction`	В конструкторе. Значения `tf.compat.v1.losses.Reduction.SUM_OVER_BATCH_SIZE`, `tf.compat.v1.losses.Reduction.SUM`, `tf.compat.v1.losses.Reduction.NONE` в `tf.compat.v1.losses.softmax_cross_entropy` соответствуют значениям `tf.keras.losses.Reduction.SUM_OVER_BATCH_SIZE`, `tf.keras.losses.Reduction.SUM`, `tf.keras.losses.Reduction.NONE` соответственно. Если использовалось другое значение для `reduction`, в том числе значение по умолчанию `tf.compat.v1.losses.Reduction.SUM_BY_NONZERO_WEIGHTS`, прямого соответствия ему нет. Измените реализацию функции потерь вручную.

Пример использования до и после

До:

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

После:

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

Описание

Используется в блокнотах

Используется в руководстве
Перенос LoggingTensorHook и StopAtStepHook на обратные вызовы Keras Переход с Estimator на API Keras Перенос обучения с несколькими GPU на одном рабочем узле Перенос обучения на CPU/GPU с несколькими рабочими узлами Перенос SessionRunHook на обратные вызовы Keras

Используется в руководстве

weights выступает в качестве коэффициента функции потерь. Если задано скалярное значение, функция потерь просто умножается на это значение. Если weights — тензор размера [batch_size], общая функция потерь для каждого примера в пакете масштабируется соответствующим элементом вектора weights. Если форма weights совпадает с формой predictions, то функция потерь для каждого измеряемого элемента predictions масштабируется соответствующим значением weights.

Аргументы
`labels`	Тензор фактических выходных значений с теми же размерностями, что и у «predictions».
`predictions`	Предсказанные выходные значения.
`weights`	Необязательный `Tensor`, ранг которого равен 0 или совпадает с рангом `labels`; он должен допускать трансляцию к `labels` (то есть все размерности должны быть либо равны `1`, либо совпадать с соответствующей размерностью `losses`).
`scope`	Область видимости операций, выполняемых при вычислении функции потерь.
`loss_collection`	Коллекция, в которую будет добавлена функция потерь.
`reduction`	Тип редукции, применяемой к функции потерь.

Возвращает
Взвешенная функция потерь, тип float `Tensor`. Если `reduction` равно `NONE`, форма результата совпадает с формой `labels`; в противном случае возвращается скаляр.

Вызывает исключения
`ValueError`	Если форма `predictions` не совпадает с формой `labels` или форма `weights` недопустима. Также если `labels` или `predictions` равен None.

© 2022 The TensorFlow Authors. All rights reserved.
Licensed under the Creative Commons Attribution License 4.0.
Code samples licensed under the Apache 2.0 License.
https://www.tensorflow.org/api_docs/python/tf/compat/v1/losses/mean_squared_error