Tensorflow、sklearn孰好孰坏?tensorflow损失函数是什么?
tensorflow是目前最热门机器学习框架之一 ， 同其它框架相比 ， tensorflow具备自身优势 。那么 ， tensorflow和sklearn相比 ， 具体优劣势有哪些呢?这将是本文介绍的内容之一 。此外 ， 本文将对tensorflow的损失函数加以介绍 ， 以增进大家对tensorflow的了解 。如果你对tensorflow具有一定兴趣 ， 不妨继续往下阅读哦 。
一、sklearn、 tensorflow优劣势
目前 ， 在社区中 ， tensorflow会比较火 ， 很多同学会问 ， 为什么不用tensorflow ， 这两个有什么区别 ， 我想 ， 主要从以下这方面来做对比
1、sklearn主要定位是一种通用的机器学习的学习库 ， tf主要定位还是深度学习 。
2、特征工程上 ， sklearn提供了例如维度压缩、特征选择等 ， 但是这样子并不代表这tf就比sklearn弱 。在传统的机器学习中 ， sklearn需要使用者自行对数据进行数据处理 ， 例如进行特征选择 ， 维度压缩 ， 转换格式等 ， 但是tf可以在开始进行数据训练的过程中 ， 自行从数据中提取有效的特征 ， 从而减少人为的干预 。
3、易用性及封装度上 ， sklearn更高 ， 这点上 ， 我想很多用过的人都清楚 ， 不做累赘描述 。
4、面对项目的不同 ， sklearn更适合中小型 ， 特别是数据量不大的项目 ， 此时更需要手动者对数据进行处理 ， 并且选择合适模型的项目 ， 这些计算是可以在CPU直接计算的 ， 没有什么硬件要求 。相对的 ， tf的应用领域上 ， 往往更加注重数据量较大 ， 一般情况下需要GPU进行加速运算 。目前很多公司并没有很大量的数据 ， 在选择上 ， 可以作为参考 。
二、TensorFlow损失函数
【Tensorflow、sklearn孰好孰坏?tensorflow损失函数是什么?】 声明一个损失函数需要将系数定义为变量 ， 将数据集定义为占位符 。可以有一个常学习率或变化的学习率和正则化常数 。
在下面的代码中 ， 设 m 是样本数量 ， n 是特征数量 ， P 是类别数量 。这里应该在代码之前定义这些全局参数：
在标准线性回归的情况下 ， 只有一个输入变量和一个输出变量：
在多元线性回归的情况下 ， 输入变量不止一个 ， 而输出变量仍为一个 。现在可以定义占位符X的大小为 [m ， n] ， 其中 m 是样本数量 ， n 是特征数量 ， 代码如下：
在逻辑回归的情况下 ， 损失函数定义为交叉熵 。输出 Y 的维数等于训练数据集中类别的数量 ， 其中 P 为类别数量：
如果想把 L1 正则化加到损失上 ， 那么代码如下：
对于 L2 正则化 ， 代码如下：
由此 ， 你应该学会了如何实现不同类型的损失函数 。那么根据手头的回归任务 ， 你可以选择相应的损失函数或设计自己的损失函数 。在损失项中也可以结合 L1 和 L2 正则化 。
以上便是此次小编带来的“tensorflow”相关内容 ， 通过本文 ， 希望大家对tensorflow的损失函数具备一个清晰的认识 。如果你喜欢本文 ， 不妨持续关注我们网站哦 ， 小编将于后期带来更多精彩内容 。最后 ， 十分感谢大家的阅读 ， have a nice day!
推荐阅读
- 微软发布更新Windows 10 v2004：修复大量Bug、优化后台性能
- 露水河板材的保养要点
- 发泡水泥的施工工艺
- Keil环境，在调试STM32中犯过的错
- 微软、黑莓没能做成的事情，华为能做成功吗
- PIC系列单片机的优势
- 教你打造高效空间——客厅、卧室、餐厅、玄关篇
- 天然文化石的选购要点
- 开关电源中的特殊元器件介绍
- 装修拆改、变动承重结构最高要被罚10万!