tensorflow是目前最熱門(mén)機(jī)器學(xué)習(xí)框架之一，同其它框架相比，tensorflow具備自身優(yōu)勢(shì)。那么，tensorflow和sklearn相比，具體優(yōu)劣勢(shì)有哪些呢?這將是本文介紹的內(nèi)容之一。此外，本文將對(duì)tensorflow的損失函數(shù)加以介紹，以增進(jìn)大家對(duì)tensorflow的了解。如果你對(duì)tensorflow具有一定興趣，不妨繼續(xù)往下閱讀哦。

一、sklearn、 tensorflow優(yōu)劣勢(shì)

目前，在社區(qū)中，tensorflow會(huì)比較火，很多同學(xué)會(huì)問(wèn)，為什么不用tensorflow，這兩個(gè)有什么區(qū)別，我想，主要從以下這方面來(lái)做對(duì)比

1、sklearn主要定位是一種通用的機(jī)器學(xué)習(xí)的學(xué)習(xí)庫(kù)，tf主要定位還是深度學(xué)習(xí)。

2、特征工程上，sklearn提供了例如維度壓縮、特征選擇等，但是這樣子并不代表這tf就比sklearn弱。在傳統(tǒng)的機(jī)器學(xué)習(xí)中，sklearn需要使用者自行對(duì)數(shù)據(jù)進(jìn)行數(shù)據(jù)處理，例如進(jìn)行特征選擇，維度壓縮，轉(zhuǎn)換格式等，但是tf可以在開(kāi)始進(jìn)行數(shù)據(jù)訓(xùn)練的過(guò)程中，自行從數(shù)據(jù)中提取有效的特征，從而減少人為的干預(yù)。

3、易用性及封裝度上，sklearn更高，這點(diǎn)上，我想很多用過(guò)的人都清楚，不做累贅描述。

4、面對(duì)項(xiàng)目的不同，sklearn更適合中小型，特別是數(shù)據(jù)量不大的項(xiàng)目，此時(shí)更需要手動(dòng)者對(duì)數(shù)據(jù)進(jìn)行處理，并且選擇合適模型的項(xiàng)目，這些計(jì)算是可以在CPU直接計(jì)算的，沒(méi)有什么硬件要求。相對(duì)的，tf的應(yīng)用領(lǐng)域上，往往更加注重?cái)?shù)據(jù)量較大，一般情況下需要GPU進(jìn)行加速運(yùn)算。目前很多公司并沒(méi)有很大量的數(shù)據(jù)，在選擇上，可以作為參考。

二、TensorFlow損失函數(shù)

聲明一個(gè)損失函數(shù)需要將系數(shù)定義為變量，將數(shù)據(jù)集定義為占位符?？梢杂幸粋€(gè)常學(xué)習(xí)率或變化的學(xué)習(xí)率和正則化常數(shù)。

在下面的代碼中，設(shè) m 是樣本數(shù)量，n 是特征數(shù)量，P 是類別數(shù)量。這里應(yīng)該在代碼之前定義這些全局參數(shù)：

在標(biāo)準(zhǔn)線性回歸的情況下，只有一個(gè)輸入變量和一個(gè)輸出變量：

在多元線性回歸的情況下，輸入變量不止一個(gè)，而輸出變量仍為一個(gè)。現(xiàn)在可以定義占位符X的大小為 [m，n]，其中 m 是樣本數(shù)量，n 是特征數(shù)量，代碼如下：

在邏輯回歸的情況下，損失函數(shù)定義為交叉熵。輸出 Y 的維數(shù)等于訓(xùn)練數(shù)據(jù)集中類別的數(shù)量，其中 P 為類別數(shù)量：

如果想把 L1 正則化加到損失上，那么代碼如下：

對(duì)于 L2 正則化，代碼如下：

由此，你應(yīng)該學(xué)會(huì)了如何實(shí)現(xiàn)不同類型的損失函數(shù)。那么根據(jù)手頭的回歸任務(wù)，你可以選擇相應(yīng)的損失函數(shù)或設(shè)計(jì)自己的損失函數(shù)。在損失項(xiàng)中也可以結(jié)合 L1 和 L2 正則化。

以上便是此次小編帶來(lái)的“tensorflow”相關(guān)內(nèi)容，通過(guò)本文，希望大家對(duì)tensorflow的損失函數(shù)具備一個(gè)清晰的認(rèn)識(shí)。如果你喜歡本文，不妨持續(xù)關(guān)注我們網(wǎng)站哦，小編將于后期帶來(lái)更多精彩內(nèi)容。最后，十分感謝大家的閱讀，have a nice day!