Question

当我使用

时

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

功能，我确信数据是正确的。但是，张量板上的损失始终为零。我努力找到它，但不知道为什么？以下是我的代码的一部分。我使用了错误的形状吗？

score_a=tf.reshape(score,[-1])#shape: [1,39]
ys_a=tf.reshape(ys,[-1])#shape: [1,39]
with tf.name_scope('loss'):
loss=tf.losses.mean_pairwise_squared_error(score_a,ys_a)

Answer 1

要使用tf.losses.mean_pairwise_squared_error()，labels和predictions的排名应至少为2，因为第一个维度将用作batch_size。这意味着您无需重新塑造score_a和ys_a。（我假设score_a和ys_a有39个条目和一个批次。）

如果labels和predictions的等级为1，则表示所有数据条目都是0张量（标量），因此tf.losses.mean_pairwise_squared_error()的结果始终为零。

还有一件事。在我看来，tf.losses.mean_pairwise_squared_error()的当前实施（2018-01-03）看起来并不完美。例如，如API document of the function中所示，将以下数据设为labels和predictions：

labels = tf.constant([[0., 0.5, 1.]]) predictions = tf.constant([[1., 1., 1.]]) tf.losses.mean_pairwise_squared_error(labels, predictions) 在这种情况下，结果应为[(0-0.5)^2+(0-1)^2+(0.5-1)^2]/3=0.5，这与张量流的结果0.3333333134651184不同。

[更新] tf.losses.mean_pairwise_squared_error()中的错误（如上所述）已修复并应用于tensorflow 1.6.0。

Answer 2

如果要进行分类，则您的label张量可能在一维中具有分类值。在这种情况下，您需要执行一次热转换以匹配预测的形状，然后再调用tf.losses.mean_pairwise_squared_error()。您无需重塑预测。

labels_a = tf.one_hot(labels, 2)

损失函数：平均成对平方误差

2 个答案: