Tensorflow 损失函数：平均成对平方误差

当我使用

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

函数，我确信数据是正确的。然而，张力板上的损耗始终为零。我努力想弄清楚，但不知道为什么？下面是我代码的一部分。我用错形状了吗

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)

---

使用

tf.loss.mean_pairwise_squared_error（）

，

标签

和

预测

应至少为2级，因为第一个维度将用作

批量大小

。这意味着您不需要重塑

score\u a

和

ys\u a

。（我假设

score_a

和

ys_a

有39个条目和一批。）

如果

标签

和

预测

为秩1，则意味着所有数据项均为0张量（标量），因此

tf.loss.mean_pairwise_squared_error（）

的结果始终为零

还有一件事。在我看来，

tf.loss.mean\u pairwise\u squared\u error（）

的当前实施（2018-01-03）看起来不完美。例如，如中所示，将以下数据作为

标签

和

预测

：

labels=tf.常数（[[0,0.5,1.]]
预测=tf.常数（[[1,1,1.]]
tf.损失。平均成对误差（标签、预测）

在这种情况下，结果应该是

[（0-0.5）^2+（0-1）^2+（0.5-1）^2]/3=0.5

，这与tensorflow得出的结果

0.3333333333 134651184

不同

---

[Update]tf.Loss.mean_pairwise_squared_error（）中的错误（如上所述）已修复，并从tensorflow 1.6.0中应用。

如果您正在进行分类，则您可能会在一维中使用分类值标记

张量。如果是这种情况，则在调用
tf.loss.mean\u pairwise\u squared\u error（）
之前，需要执行一次热转换以匹配预测的形状。您不需要改变预测的形状

labels_a = tf.one_hot(labels, 2)