TensorFlow函數(shù)：tf.losses.mean_pairwise_squared_error

tf.losses.mean_pairwise_squared_error函數(shù)

tf.losses.mean_pairwise_squared_error(
    labels,
    predictions,
    weights=1.0,
    scope=None,
    loss_collection=tf.GraphKeys.LOSSES
)

定義在：tensorflow/python/ops/losses/losses_impl.py.

在訓(xùn)練過程中添加一對誤差平方loss.

與mean_squared_error不同的是,這是predictions和labels的對應(yīng)元素之間的差異的量度,mean_pairwise_squared_error是predictions和labels對應(yīng)元素對之間的差異的量度.

例如,如果labels= [a,b,c]和predictions= [x,y,z],則將三對差值相加以計算loss：loss = [ ((a-b) - (x-y)).^2 + ((a-c) - (x-z)).^2 + ((b-c) - (y-z)).^2 ] / 3

請注意,由于輸入具有形狀[batch_size, d0, ... dN],因此在每個批處理示例中計算相應(yīng)的對,但不在批次內(nèi)的樣本之間計算.例如,如果predictions表示一批16個維度為[batch_size,100,200]的灰度圖像,則會從每個圖像中提取一對配對集,而不是跨圖像繪制.

weights作為loss的系數(shù).如果提供了標量,那么loss只是按給定值縮放.如果weights是一個大小為[batch_size]的張量,那么批次的每個樣本的總損失由weights向量中的相應(yīng)元素重新調(diào)整.

參數(shù)：

• labels：真實的輸出張量,其形狀必須與predictions的形狀相匹配.
• predictions：預(yù)測輸出,一個大小為[batch_size, d0, .. dN]的張量,其中N+1是predictions中維度的總數(shù).
• weights：loss的系數(shù),是標量,形狀為[batch_size]的張量或與predictions的形狀匹配的張量.
• scope：計算loss時執(zhí)行的操作范圍.
• loss_collection：將添加loss的集合.

返回：

返回加權(quán)損失的標量Tensor.

可能引發(fā)的異常：

• ValueError：如果predictions與labels的形狀不匹配,或weights的形狀無效,或者,如果labels,或是predictions為None,則會引發(fā)此異常.