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

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!