import tensorflow as tf from numpy.random import RandomState batch_size = 8 #两个输入节点 x = tf.placeholder(tf.float32, shape=(None, 2), name='x-input') #回归问题一般只有一个输出节点 y_ = tf.placeholder(tf.float32, shape=(None, 1), name='y-input') #定义一个单层的神经网络前向传播过程,这里就是简单加权和 w1 = tf.Variable(tf.random_normal([2, 1], stddev=1, seed=1)) y = tf.matmul(x, w1) #定义预测多了和预测少了的成本 loss_less = 10 loss_more = 1 #tf.grater()比较张量中对应元素的大小,返回true或者false #tf.where()第一个参数是true时,选择第二个参数,否侧选择第三个参数 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) #通过随机数生成一个模拟数据集 rdm = RandomState(1) dataset_size = 128 X = rdm.rand(dataset_size, 2) # 设置回归的正确值为两个输入的和加上一个随机量。之所以要加上一个随机量 # 是为了加入不可消除的噪音,否则不同损失函数的意义就不大了,因为不同损失函数 # 都会在能完全预测正确的时候最低。一般来说噪音为一个均值为0的小量,所以这里的噪声 # 设置为-0.05~0.05的随机数 Y = [[x1 + x
tensorflow自定义损失函数
最新推荐文章于 2024-01-05 05:45:00 发布
本文演示如何在 TensorFlow 中自定义损失函数,用于解决回归问题。通过创建一个比较预测值与真实值的损失函数,当预测值大于真实值时应用较大的惩罚(loss_more),小于真实值时应用较小的惩罚(loss_less)。使用 Adam 优化器进行训练,并通过模拟数据集验证自定义损失函数的效果。
摘要由CSDN通过智能技术生成