python - Tensorflow均方误差计算与sklearn不同

Question

我正在尝试使用tensorflow计算mse并将结果与​​sklearn.metrics.mean_squared_error方法进行比较。

def mse(y,y_hat):
    return tf.reduce_mean(tf.squared_difference(y, y_hat)).eval()

compute_mse = lambda vector1, vector2: mse(vector1,vector2)

我的测试循环

for n in [1,5,10,10**3]:

    elems = [np.arange(n),np.arange(n,0,-1), np.zeros(n),
             np.ones(n),np.random.random(n),np.random.randint(100,size=n)]

    for el in elems:
        for el_2 in elems:
            true_mse = np.array(mean_squared_error(el,el_2))
            my_mse = compute_mse(el,el_2)
            if not np.allclose(true_mse,my_mse):
                print('Wrong result:')

print("All tests passed")    

但我的 tf 函数总是返回 0 或 1。请您指出我哪里错了。

UPD

感谢 @apnorton 指出类型问题。

def mse(y,y_hat):
    y_ = tf.Variable(y, tf.float64)
    y_hat_ = tf.Variable(y_hat, tf.float64)
    return tf.reduce_mean(tf.squared_difference(y_, y_hat_).eval()

Answer 1

如果打印 tf 函数的所有输出，您会发现它不仅返回 1 和 0，而且仅返回整数。这是因为 elems 的值都是 numpy.int32 类型。在执行平均步骤时，sklearn 函数似乎将这些转换为 float ，而 tensorflow 方法则不会。

要查看固定变体，请考虑将 compute_mse 行更改为:

my_mse = compute_mse(el.astype(float),el_2.astype(float))

<小时/>

编辑:为了回答评论中的问题，我会避免仅出于强制转换的目的创建变量。相反，我建议使用 tf.to_float方法:

def mse(y,y_hat):
    return tf.reduce_mean(tf.squared_difference(tf.to_float(y), tf.to_float(y_hat))).eval()