TensorFlow中的损失函数优化

损失函数

• 系数的界定

在回归分析过程中，损失函数或目标函数被设定，其核心目标在于确定能够使损失值达到最小化的系数
在构建损失函数时，需将系数作为变量进行声明，并将数据集作为占位符加以定义。学习率可以是固定的，也可以根据训练过程进行调整，同时需引入正则化参数以控制模型复杂度。
为了保障模型的收敛性能，所设定的损失函数应具备凸性特征。若该函数具有光滑且可导的特性，则其收敛效率将更为理想。随着训练过程的推进，损失函数的数值应当呈现递减趋势，并最终趋于平稳状态。

定义系数

以下代码中，令 m 表示样本总数，n 表示特征维度，P 表示类别数目。这些全局参数应在代码执行前予以明确设定：

在常规的线性回归模型中，输入变量与输出变量各仅包含一个：

    import tensorflow.compat.v1 as tf
    tf.disable_eager_execution()#保证sess.run()能够正常运行
    sess=tf.InteractiveSession()
    
    
    m=1000
    n=15
    p=2
    
    
    X=tf.placeholder(tf.float32,name="X")
    Y=tf.placeholder(tf.float32,name="