tf.compat.v1.losses.mean_squared_error

Добавляет потерю суммы квадратов в процедуру обучения.

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 к TF2

tf.compat.v1.losses.mean_squared_error в основном совместим с выполнением в режиме eager и tf.function. Однако аргумент loss_collection игнорируется при выполнении в режиме eager, и никакие потери не будут записаны в коллекции потерь. Вам нужно будет либо вручную удерживать возвращаемое значение, либо полагаться на отслеживание потерь с помощью tf.keras.Model.

Для перехода к стилю TF2 используйте класс tf.keras.losses.MeanSquaredError и вызывайте объект вместо этого.

Структурное отображение на родной 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)

Как сопоставить аргументы

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 `sample_weight` отличаются от требований к форме `weights`. Подробную информацию о определении аргумента 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 `tf.keras.losses.Reduction.SUM_OVER_BATCH_SIZE`, `tf.keras.losses.Reduction.SUM`, `tf.keras.losses.Reduction.NONE` соответственно. Если вы использовали другое значение для `reduction`, включая значение по умолчанию `tf.compat.v1.losses.Reduction.SUM_BY_NONZERO_WEIGHTS`, нет прямо соответствующего значения. Пожалуйста, измените реализацию 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 ноутбуках

Используется в руководстве
Миграция LoggingTensorHook и StopAtStepHook в Keras-коллбеки Миграция от Estimator к API Keras Миграция обучения на нескольких GPU с одним рабочим узлом Миграция обучения с несколькими рабочими узлами на CPU/GPU Миграция SessionRunHook в Keras-коллбеки

weights выступает в качестве коэффициента для потери. Если предоставлен скаляр, то потеря просто масштабируется на заданное значение. Если weights является тензором размера [batch_size], то общая потеря для каждого образца в батче масштабируется соответствующим элементом в векторе weights. Если форма weights совпадает с формой predictions, то потеря каждого измеримого элемента predictions масштабируется соответствующим значением из weights.

Аргументы
`labels`	Тензор фактического выхода, имеющий такие же размеры, как и 'predictions'.
`predictions`	Предсказанные выходы.
`weights`	Необязательный `Tensor`, ранг которого равен 0 или такому же, как у `labels`, и должен быть совместим с вектором `labels` (т.е. все измерения должны быть либо `1`, либо совпадать с соответствующим измерением `losses`).
`scope`	Область для операций, выполняемых при вычислении потерь.
`loss_collection`	Коллекция, в которую будут добавлены потери.
`reduction`	Тип применения сокращения к потере.

Возвращаемое значение
Вещественная потери `Tensor`. Если `reduction` - `NONE`, форма соответствует форме `labels`; в противном случае - скаляр.

Исключения
`ValueError`	Если форма `predictions` не соответствует форме `labels` или если форма `weights` неверна. Также, если `labels` или `predictions` равно 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