tf.compat.v1.losses.mean_squared_error

Добавляет потерю сумм 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
)

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

Чтобы перейти к стилю native TF2, инициализируйте класс tf.keras.losses.MeanSquaredError и вызовите объект вместо этого.

Структурное соответствие с native 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

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

weights действует как коэффициент для потерь. Если предоставлен скаляр, то потери просто масштабируются на заданное значение. Если weights представляет собой тензор размера [batch_size], то общая потеря для каждого образца в пакете масштабируется соответствующим элементом в векторе weights. Если форма weights совпадает с формой predictions, то потеря каждого измеримого элемента predictions масштабируется соответствующим значением weights.