定义损失函数

接下来，我们使用均方误差（ MSE ）定义损失函数。 MSE 定义如下：

有关 MSE 的更多详细信息，请访问以下链接：https://en.wikipedia.org/wiki/Mean_squared_errorhttp://www.statisticshowto.com/mean-squared-error/

y的实际值和估计值的差异称为残留。损失函数计算残差平方的平均值。我们通过以下方式在 TensorFlow 中定义它：

loss = tf.reduce_mean(tf.square(model - y_tensor))

• model - y_tensor计算残差
• tf.square(model - y_tensor)计算每个残差的平方
• tf.reduce_mean( ... )最终计算在前一步骤中计算的平方均值

我们还定义均方误差（ mse ）和 r 平方（ rs ）函数来评估训练模型。我们使用单独的mse函数，因为在接下来的章节中，损失函数将改变但mse函数将保持不变。

# mse and R2 functions
mse = tf.reduce_mean(tf.square(model - y_tensor))
y_mean = tf.reduce_mean(y_tensor)
total_error = tf.reduce_sum(tf.square(y_tensor - y_mean))
unexplained_error = tf.reduce_sum(tf.square(y_tensor - model))
rs = 1 - tf.div(unexplained_error, total_error)