# 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_error](https://en.wikipedia.org/wiki/Mean_squared_error)[http://www.statisticshowto.com/mean-squared-error/](http://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： ```py 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。 ```py # 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) ```