tensorflow2 损失函数

TensorFlow 2中有许多常用的损失函数可以用于训练模型。以下是一些常见的损失函数示例：

1. 均方误差（Mean Squared Error，MSE）：适用于回归问题，计算预测值与实际值之间的平方差的平均值。

   loss = tf.keras.losses.MeanSquaredError()

2. 平均绝对误差（Mean Absolute Error，MAE）：适用于回归问题，计算预测值与实际值之间的绝对差的平均值。

   loss = tf.keras.losses.MeanAbsoluteError()

3. 交叉熵损失（Cross Entropy Loss）：适用于分类问题，计算预测概率分布与实际标签之间的交叉熵。
- 二分类问题：

     loss = tf.keras.losses.BinaryCrossentropy()

- 多分类问题：

     loss = tf.keras.losses.CategoricalCrossentropy()

4. 对数损失（Log Loss）：适用于二分类问题，计算预测概率与实际标签之间的对数损失。

   loss = tf.keras.losses.LogLoss()

5. 自定义损失函数：你也可以自定义自己的损失函数，只需要编写一个接受实际标签和预测值作为输入的函数，并返回损失值。

   def custom_loss(y_true, y_pred):
       # 自定义损失计算逻辑
       loss = ...
       return loss

   loss = custom_loss

这些只是一些常见的损失函数示例，TensorFlow 2还提供了更多的损失函数供你选择。你可以根据具体的问题和需求选择适合的损失函数进行模型训练。