tensorflow 自定义损失函数示例代码
这个自定义损失函数的背景：（一般回归用的损失函数是MSE,但要看实际遇到的情况而有所改变）
我们现在想要做一个回归，来预估某个商品的销量，现在我们知道，一件商品的成本是1元，售价是10元。
如果我们用均方差来算的话，如果预估多一个，则损失一块钱，预估少一个，则损失9元钱（少赚的）。
显然，我宁愿预估多了，也不想预估少了。
所以，我们就自己定义一个损失函数，用来分段地看，当yhat比y大时怎么样，当yhat比y小时怎么样。
（yhat沿用吴恩达课堂中的叫法）
importtensorflowastf
fromnumpy.randomimportRandomState
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")
#定义了一个单层的神经网络前向传播的过程，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
#在windows下，下面用这个where替代，因为调用tf.select会报错
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
为了加入不可预测的噪音，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
这里的噪音设置为-0.05，0.05的随机数。
"""
Y=[[x1+x2+rdm.rand()/10.0-0.05]for(x1,x2)inX]
withtf.Session()assess:
init=tf.global_variables_initializer()
sess.run(init)
steps=5000
foriinrange(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]
最终结果如上面所示。
因为我们当初生成训练数据的时候，y是x1+x2，所以回归结果应该是1，1才对。
但是，由于我们加了自己定义的损失函数，所以，倾向于预估多一点。
如果，我们将loss_less和loss_more对调，我们看一下结果：
[[0.95525807]
[0.9813394]]
通过这个例子，我们可以看出，对于相同的神经网络，不同的损失函数会对训练出来的模型产生重要的影响。
引用：以上实例为《Tensorflow实战Google深度学习框架》中提供。
总结
以上所述是小编给大家介绍的tensorflow自定义损失函数示例，希望对大家有所帮助！
声明：本文内容来源于网络，版权归原作者所有，内容由互联网用户自发贡献自行上传，本网站不拥有所有权，未作人工编辑处理，也不承担相关法律责任。如果您发现有涉嫌版权的内容，欢迎发送邮件至：czq8825#qq.com（发邮件时，请将#更换为@）进行举报，并提供相关证据，一经查实，本站将立刻删除涉嫌侵权内容。