tensorflow2.0 损失函数

在tensorflow2.0 中，使用模块model.compile时，需要选择损失函数，例如：
model.compile(optimizer=‘Adam’,
loss=‘sparse_categorical_crossentropy’,
metrics=[‘accuracy’])
于是，在tensorflow2.0中有几个损失函数的表示方法？参考文档
下列公式中，
表示预测值。

在这里插入图片描述
表示真实值。
查看相关文档，大概有以下一些参数：
1、mean_squared_error：均方误差函数，又称mse，最基本的损失函数表示法。含义是神经网络计算值（预测值）与标签值的平方误差和，该值越小，模型越准确。

2、mean_absolute_error：平均绝对误差，又称mae，主要用于显著性目标检测。
显著性目标举例：当你看到一副图像的时候，重点潜意识关注的对象，而通过该方法可以检测到。值越小，模型越准确。

3、mean_absolute_percentage_error：平均绝对百分比误差，又称mape。
需要注意的是样本中不能有0值。当mape=0时，表示模型完美，而当mape=100时，则表示模型很差，不能使用。

4、Symmetric Mean Absolute Percentage Error：对称平均绝对百分比误差。

当真实值有数据等于0，而预测值也等于0时，存在分母0除问题，该公式不可用。
5、mean_squared_logarithmic_error：

6、hinge loss：折页损失函数或者铰链损失函数，最著名的应用是作为SVM的目标函数。

其含义为，ypred的值在 -1到1之间即可，并不鼓励 |y|>1，即让某个样本能够正确分类就可以了，不鼓励分类器过度自信，当样本与分割线的距离超过1时并不会有任何奖励。目的在于使分类器更专注于整体的分类误差。
7、squared_hinge：平方铰链损失函数。

8、categorical_hinge。分类铰链损失函数。

def categorical_hinge(y_true, y_pred):
pos = K.sum(y_true * y_pred, axis=-1)
neg = K.max((1. - y_true) * y_pred, axis=-1)
return K.maximum(0., neg - pos + 1.)
9、categorical_crossentropy loss：交叉熵损失函数。交叉熵是用来评估当前训练得到的概率分布与真实分布的差异情况。它刻画的是实际输出（概率）与期望输出（概率）的距离，也就是交叉熵的值越小，两个概率分布就越接近。

未完待续。

途中公式来源于网络资源。