在深度学习当中损失函数是我们计算优化的基础,对于不同的项目需求而言,损失函数往往不会一模一样,尽管tensorflow提供了很多损失函数的接口,但是往往自定义损失函数还是有实际的必要性的。
EX
我们在预测商品销量的时候,如果预测值比真是值小,我们利润损失10元, 如果预测值比真是值大我们损失1元,这个时候如果我们使用常用的均方误差,往往达不到利润最大化的模型。
关键代码
loss_less = 10
loss_more = 1
loss = tf.reduce_sum(tf.where(tf.greater(y, y_predict),
(y - y_predict) * loss_more, (y_predict - y) * loss_less))
整体代码
import tensorflow as tf
from numpy.random import RandomState
batch_size = 8
# 设置占位符
x = tf.placeholder(tf.float32, shape=[None, 2], name='X-input')
y = tf.placeholder(tf.float32, shape=[None, 1], name='y-input')
# 定义单层神经网络向前传播过程,初始化权值和偏置
w1 = tf.Variable(tf.random_normal([2, 1], stddev=1, seed=1))
y_predict = tf.matmul(x, w1)
# 自定义损失函数
loss_less = 10
loss_more = 1
loss = tf.reduce_sum(tf.where(tf.greater(y, y_predict), (y - y_predict) * loss_more, (y_predict - y) * loss_less))
# 优化
trian_step = tf.train.AdamOptimizer(0.0001).minimize(loss)
# 随机生成模拟数据集
rdm = RandomState(1)
data_size = 128
X = rdm.rand(data_size, 2) # 128个样本
# 加入噪音
Y = [[x1 + x2 + rdm.rand() / 10.0 - 0.05] for (x1, x2) in X]
# 训练
with tf.Session() as sess:
init_op = tf.global_variables_initializer()
sess.run(init_op)
for i in range(5000):
start = (i * batch_size) % data_size
end = min(start + batch_size, data_size)
sess.run(trian_step, feed_dict={x: X[start:end], y: Y[start:end]})
print(sess.run(w1))
代码流程和前几篇文章几乎一样,不赘述。
author :specyue@mail.ustc.edu.cn 欢迎交流