运算公式
1、均方差函数
均方差函数主要用于评估回归模型的使用效果，其概念相对简单，就是真实值与预测值差值的平方的均值，具体运算公式可以表达如下：
[Q=frac{1}{m}sum_{i=1}^{m}(f(x_i)-y_i)^2
]
其中(f(x_i))是预测值，(y_i)是真实值
在二维图像中，该函数代表每个散点到拟合曲线y轴距离的总和，非常直观。
2、交叉熵函数
出自信息论中的一个概念，原来的含义是用来估算平均编码长度的。在机器学习领域中，其常常作为分类问题的损失函数。
[Q=-frac{1}{m}sum_{i=1}^{m}(y_ilog(f(x_i))+(1-y_i)los(1-f(x_i)))
]
其中(f(x_i))是预测值，(y_i)是真实值
交叉熵函数是怎么工作的呢？假设在分类问题中，被预测的物体只有是或者不是，预测值常常不是1或者0这样绝对的预测结果，预测是常用的做法是将预测结果中大于0.5的当作1，小于0.5的当作0。此时假设如果存在一个样本，预测值接近于0，实际值却是1，那么在交叉熵函数的前半部分：
[y_ilog(f(x_i))
]
其运算结果会远远小于0，取符号后会远远大于0，导致该模型的损失函数巨大。通过减小交叉熵函数可以使得模型的预测精度大大提升。
tensorflow种损失函数的表达
1、均方差函数
loss = tf.reduce_mean(tf.square(logits-labels))
loss = tf.reduce_mean(tf.square(tf.sub(logits, labels)))
loss = tf.losses.mean_squared_error(logits,labels)
2、交叉熵函数
loss = tf.nn.sigmoid_cross_entropy_with_logits(labels=y,logits=logits)
#计算方式：对输入的logits先通过sigmoid函数计算，再计算它们的交叉熵
#但是它对交叉熵的计算方式进行了优化，使得结果不至于溢出。
loss = tf.nn.softmax_cross_entropy_with_logits(labels=y,logits=logits)
#计算方式：对输入的logits先通过softmax函数计算，再计算它们的交叉熵，
#但是它对交叉熵的计算方式进行了优化，使得结果不至于溢出。