【深度学习】回归问题损失函数——均方误差（MSE）

神经网络模型的效果以及优化的目标是通过损失函数（loss function）来定义的。下面主要介绍适用于分类问题和回归问题的经典损失函数，并通过TensoFlow实现这些损失函数。

分类问题请参考：【分类问题损失函数——交叉熵】

回归问题解决的是对具体数值的预测，比如房价预测、销量预测等等，解决回归问题的神经网络一般只有一个输出节点，这个节点的输出值就是预测值。本文主要介绍回归问题下的损失函数——均方误差（MSE，mean squared error）。

它的定义如下：
$$MSE(y,y^{\prime })=\frac{{\sum }_{i=1}^n(y_i-y_i^{\prime }{)}^2}{n}$$
其中，$y_i$为一个batch中第 i 个数据的正确答案，$y_i^{\prime }$为神经网络给出的预测值。

下面代码展示如何用Tensor实现均方差损失函数：

mse = tf.reduce_mean(tf.square(y_ - y))

tf.reduce_mean：所有元素的均值。
y_：标准答案
y：神经网络输出的答案