神经网络优化(损失函数:自定义损失函数、交叉熵、softmax())

参考  神经网络优化(损失函数:自定义损失函数、交叉熵、softmax()) - 云+社区 - 腾讯云

1、前向传播 搭建网络结构,反向传播 训练网络参数。

2、激活函数 提高了模型的表达里,使模型更具有表达力。

3、神经网络的层数,通常用神经网络的层数和神经网络待优化的参数的个数 来表示,层数 = 隐藏层的层数 + 1个输出层,总参数 = 总W + 总b

4、神经网络的优化

四个方面:损失函数loss、学习率learning_rate、滑动平均ema、正则化regularization
(1)损失函数(loss):预测值(y)与已知答案(y_)的差距。(即前向传播计算出的结果 与 已知标准答案的 差距)
NN 优化目标:使loss最小。主流的loss计算方法:
a) mse(Mean Squared Erros)
b) 自定义
c) ce(Cross Entropy)(交叉熵)
(2)均方误差 mse:MSE(y_, y)
loss_mse = tf.reduce_mean(tf.square(y_ - y))
(拟合可以预测销量的函数)

5、自定义损失函数
如预测商品销量,预测多了,损失成本;预测少了,损失利润。
若 利润 ≠ 成本,则mse产生的loss无法利益最大化。
自定义损失函数
y:标准答案数据集的;
y_:预测答案 计算出的
损失和
loss = tf.reduce_sum(tf.where(tf.greater(y, y_), COSE(y - y_), PROFIT(y_ - y))) 把所有的损失求和

6、交叉熵
表征两个概率分布之间的距离
交叉熵越大,两个概率分布越远;交叉熵越小,两个概率分布越近。
y_:标准答案的概率分布;
y:预测结果的概率分布;
通过交叉熵的值,可以判断 哪个预测结果 与标准答案 最接近。
y—— = (1, 0)表示:第一种情况发生的概率是100%, 第二种情况发生的概率是0.
ce = -tf.reduce_mean(y * tf.log(tf.clip_by_value(y, 1e-12, 1.0)))
y小于1e-12时 值为1e-12(防止出现log0的错误);
大于1.0 为1.0(这是因为 输入的数 均满足概率分布,应该在0-1之间,不可能大于1)
在实际操作中,为了使前向传播产生的结果满足概率分布,及为了使n分类的n个输出(y1,y1, ..., yn)都在0-1之间,且它们的和为1,引入了softmax()函数
当n分类的n个输出(y1, y2, ..., yn)通过softmax()函数,便满足了y概率分布要求
(yn表示 第n中情况 出现的可能性大小。对于n分类,有y1, y1, ..., yn n个输出。这n个输出 经过softmax()函数后,会符合概率分布。)
(输出 经过softmax()函数 满足概率分布之后,再与标准答案 求交叉熵)

# 输出 经过softmax()函数 满足概率分布之后,再与标准答案 求交叉熵
ce = tf.nn.sparse_softmax_cross_entropy_with_logits(logits=y, labels=tf.argmax(y_, 1))
cenn = tf.reduce_mean(ce)
# 这个输出cenn 就是:当前计算出的预测值 与 标准答案的 差距。也就是 损失函数

示例代码:

#coding=utf-8
'''
    用自定义损失函数 预测酸奶日销量
'''
# 酸奶成功1元,酸奶利润9元
# 预测少了损失大,故不要预测少,故生成的模型会多预测一些
# 导入模块,生成数据集
import tensorflow as tf
import numpy as np
BATCH_SIZE = 8
SEED = 23455
COST = 1
PROFIT = 9

rdm = np.random.RandomState(SEED)
X = rdm.rand(32, 2)
Y = [[x1 + x2 + (rdm.rand()/10.0 - 0.05)] for (x1, x2) in X]

# 1定义神经网络的输入、参数、输出,定义前向传播过程
x = tf.placeholder(tf.float32, shape=(None, 2))
y_ = tf.placeholder(tf.float32, shape=(None, 1))
w1 = tf.Variable(tf.random_normal([2, 1], stddev=1, seed=1))
y = tf.matmul(x, w1)  # 计算出的

# 2定义损失函数及反向传播方法
# 定义损失函数 是的预测少了的损失大,于是模型应该偏向多的方向预测
loss = tf.reduce_sum(tf.where(tf.greater(y, y_), (y - y_) * COST, (y_ - y) * PROFIT))
train_step = tf.train.GradientDescentOptimizer(0.001).minimize(loss)

  • 0
    点赞
  • 7
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Wanderer001

ROIAlign原理

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值