tf.sqrt(tf.reduce_mean(tf.square(tf.subtract(targets, outputs))))

字符串
稍微简化一下（TensorFlow重载了最重要的运算符）：

tf.sqrt(tf.reduce_mean((targets - outputs)**2))

型

root mean square error的公式为：

的数据
在TF中实现它的方法是tf.sqrt(tf.reduce_mean(tf.squared_difference(Y1, Y2)))。
需要记住的重要一点是，不需要使用优化器来最小化RMSE损失。同样的结果，你可以只最小化tf.reduce_mean(tf.squared_difference(Y1, Y2))甚至tf.reduce_sum(tf.squared_difference(Y1, Y2))，但是因为它们的操作图更小，所以它们的优化速度更快。
但是如果你只想跟踪RMSE的值，你可以使用这个函数。

现在我们有tf.losses.mean_squared_error
因此，我们认为，

RMSE = tf.sqrt(tf.losses.mean_squared_error(label, prediction))

字符串

(1)你确定你需要这个吗？将l2 loss最小化与将RMSE误差最小化的结果相同。（通过数学计算：你不需要求平方根，因为当x>0时，最小化x^2仍然会最小化x，而且你知道一组平方的和是正数。最小化x*n最小化x（对于常数n）。
(2)如果需要知道RMSE误差的数值，则直接从definition of RMSE：

tf.sqrt(tf.reduce_sum(...)/n)

字符串
(You需要知道或计算n -总和中的元素数，并在对reduce_sum的调用中适当地设置缩减轴）。

对于希望将RMSE作为度量实施的用户

rmse = tf.keras.metrics.RootMeanSquaredError()

字符串
如何使用它的示例

model.compile(optimizer=optimizer, loss='mean_squared_error',
              metrics=[rmse,'mae'])

型