# 定義損失函數 接下來，我們使用**均方誤差**（ **MSE** ）定義損失函數。 MSE 定義如下： 有關 MSE 的更多詳細信息，請訪問以下鏈接：[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`的實際值和估計值的差異稱為**殘留**。損失函數計算殘差平方的平均值。我們通過以下方式在 TensorFlow 中定義它： ```py loss = tf.reduce_mean(tf.square(model - y_tensor)) ``` * `model - y_tensor`計算殘差 * `tf.square(model - y_tensor)`計算每個殘差的平方 * `tf.reduce_mean( ... )`最終計算在前一步驟中計算的平方均值 我們還定義**均方誤差**（ **mse** ）和 **r 平方**（ **rs** ）函數來評估訓練模型。我們使用單獨的`mse`函數，因為在接下來的章節中，損失函數將改變但`mse`函數將保持不變。 ```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) ```