tensorflow 自定義損失函數(shù)示例代碼

更新時間：2020年02月05日 10:32:15 作者：陳闊

這篇文章主要介紹了tensorflow 自定義損失函數(shù)示例,代碼簡單易懂，非常不錯，具有一定的參考借鑒價值，需要的朋友可以參考下

這個自定義損失函數(shù)的背景：（一般回歸用的損失函數(shù)是MSE, 但要看實際遇到的情況而有所改變）

我們現(xiàn)在想要做一個回歸，來預估某個商品的銷量，現(xiàn)在我們知道，一件商品的成本是1元，售價是10元。

如果我們用均方差來算的話，如果預估多一個，則損失一塊錢，預估少一個，則損失9元錢（少賺的）。

顯然，我寧愿預估多了，也不想預估少了。

所以，我們就自己定義一個損失函數(shù)，用來分段地看，當yhat 比 y大時怎么樣，當yhat比y小時怎么樣。

（yhat沿用吳恩達課堂中的叫法）

import tensorflow as tf
from numpy.random import RandomState
batch_size = 8
# 兩個輸入節(jié)點
x = tf.placeholder(tf.float32, shape=(None, 2), name="x-input")
# 回歸問題一般只有一個輸出節(jié)點
y_ = tf.placeholder(tf.float32, shape=(None, 1), name="y-input")
# 定義了一個單層的神經網(wǎng)絡前向傳播的過程，這里就是簡單加權和
w1 = tf.Variable(tf.random_normal([2, 1], stddev=1, seed=1))
y = tf.matmul(x, w1)
# 定義預測多了和預測少了的成本
loss_less = 10
loss_more = 1
#在windows下，下面用這個where替代，因為調用tf.select會報錯
loss = tf.reduce_sum(tf.where(tf.greater(y, y_), (y - y_)*loss_more, (y_-y)*loss_less))
train_step = tf.train.AdamOptimizer(0.001).minimize(loss)
#通過隨機數(shù)生成一個模擬數(shù)據(jù)集
rdm = RandomState(1)
dataset_size = 128
X = rdm.rand(dataset_size, 2)
"""
設置回歸的正確值為兩個輸入的和加上一個隨機量，之所以要加上一個隨機量是
為了加入不可預測的噪音，否則不同損失函數(shù)的意義就不大了，因為不同損失函數(shù)
都會在能完全預測正確的時候最低。一般來說，噪音為一個均值為0的小量，所以
這里的噪音設置為-0.05， 0.05的隨機數(shù)。
"""
Y = [[x1 + x2 + rdm.rand()/10.0-0.05] for (x1, x2) in X]
with tf.Session() as sess:
 init = tf.global_variables_initializer()
 sess.run(init)
 steps = 5000
 for i in range(steps):
  start = (i * batch_size) % dataset_size
  end = min(start + batch_size, dataset_size)
  sess.run(train_step, feed_dict={x:X[start:end], y_:Y[start:end]})
 print(sess.run(w1))

[[ 1.01934695]
[ 1.04280889]

最終結果如上面所示。

因為我們當初生成訓練數(shù)據(jù)的時候，y是x1 + x2，所以回歸結果應該是1，1才對。
但是，由于我們加了自己定義的損失函數(shù)，所以，傾向于預估多一點。

如果，我們將loss_less和loss_more對調，我們看一下結果：