Machine learning 计算MNIST误差的正确方法是什么

识别MNIST数据库的网络的输出是10个类的预测，即对于1000个图像，我们将有大小为（1000，10）的矩阵。哪种方式更能代表成本函数（为什么？）

• 简单的

  tf.平方差（Y\u pred，Y\u pred）

• 批次平均值

  tf.减少平均值（tf.tf.平方差（Y\u pred，Y\u pred），轴=0）

• 或者在类别和批次上的平均值

  tf.reduce\u men（tf.reduce\u均值（tf.tf.squared\u差（Y\u pred，Y\u pred，axis=1））

---

谢谢

因为您的目标是类别（从0到9的数字），所以最好使用a，并执行以下操作：

cross_entropy = -tf.reduce_sum(Y * tf.log(Y_pred + 1e-10))
optimizer = tf.train.AdamOptimizer(0.001).minimize(cross_entropy)

此处，

Y

为实际目标值，

Y_pred

为预测目标值。

---

以下是分类问题中交叉熵优于均方误差的优点。

欢迎来到StackOverflow。请阅读并遵循帮助文档中的发布指南。在这里申请。StackOverflow不是设计、编码或教程服务。展示您的工作，将未解决的问题减少到一个小的单点，然后您就可以在此网站上获得帮助。