Python 如何在tensorflow中设置rmse成本函数

我在tensorflow中有代价函数

activation = tf.add(tf.mul(X, W), b)
cost = (tf.pow(Y-y_model, 2)) # use sqr error for cost function

我正在尝试。如何将其更改为rmse成本函数？

（1）您确定需要此功能吗？最小化RMSE错误将得到与最小化RMSE错误相同的结果。（走一遍数学：你不需要求平方根，因为当x>0时，最小化x^2仍然会最小化x，并且你知道一组平方的和是正的。最小化x*n会最小化常数n的x）

（2） 如果您需要知道RMSE误差的数值，则直接从以下步骤执行：

（您需要知道或计算n-总和中元素的数量，并在调用reduce_sum时适当设置reduce轴）

稍微简化（TensorFlow重载最重要的运算符）：

计算公式为：

在TF中实现它的方法是

TF.sqrt（TF.reduce_-mean（TF.squared_-difference（Y1，Y2））

---

需要记住的重要一点是，没有必要使用优化器最小化RMSE损失。使用相同的结果，您可以最小化tf.reduce_mean（tf.squared_difference（Y1，Y2））甚至

tf.reduce_sum（tf.squared_difference（Y1，Y2））

，但由于它们的运算图较小，因此优化速度更快

---

但是如果您只想跟踪RMSE的值，可以使用此函数。

现在我们有了

tf.loss.mean\u squared\u error

所以,

RMSE = tf.sqrt(tf.losses.mean_squared_error(label, prediction))

---

对于希望将RMSE作为度量标准实施的用户

rmse = tf.keras.metrics.RootMeanSquaredError()

如何使用它的例子

model.compile(optimizer=optimizer, loss='mean_squared_error',
              metrics=[rmse,'mae'])

---

@dga不会是一个更好的选择吗？@goelakash-可能！我一直在尝试我链接的典型RMSE公式的最清晰的音译，但在实践中，

tf.reduce\u mean

是一个更好的选择。由于您似乎非常热衷于损失计算，您可能可以帮助我解决这个问题：@dga@dga关于第（1）点：我有一个例子，当MSE的行为是理想的，但它的值太小，如0.001，结果它的导数太小。这导致了很少的学习。这是RMSE用于培训目的的有效用例吗？嗨@Viki，你能接受我的答案吗！完成了，事实上我有两个账户是错误的，所以我不得不合并它只是因为你要求接受才被合并的。因此，感谢您的回答和提醒：）

RMSE = tf.sqrt(tf.losses.mean_squared_error(label, prediction))

rmse = tf.keras.metrics.RootMeanSquaredError()

model.compile(optimizer=optimizer, loss='mean_squared_error',
              metrics=[rmse,'mae'])