自定义损失函数

朴灿烈づ我的快乐病毒、 2022-01-08 01:15 308阅读 0赞

自定义损失函数：根据问题的实际情况，定制合理的损失函数。  
例如：

对于预测酸奶日销量问题，如果预测销量大于实际销量则会损失成本；如果预测销量小于实际销量则会损失利润。在实际生活中，往往制造一盒酸奶的成本和销售一盒酸奶的利润是不等价的。因此，需要使用符合该问题的自定义损失函数。

自定义损失函数为：loss = ∑??(y\_,y)  
其中，损失定义成分段函数：  
![1413304-20190530131707221-459807196.png][]

损失函数表示，若预测结果 y 小于标准答案 y\_，损失函数为利润乘以预测结果 y 与标准答案 y\_之差；  
若预测结果 y 大于标准答案 y\_，损失函数为成本乘以预测结果 y 与标准答案 y\_之差。  
用 Tensorflow 函数表示为： loss = tf.reduce\_sum(tf.where(tf.greater(y,y\_),COST(y-y\_),PROFIT(y\_-y)))

① 若酸奶成本为 1 元，酸奶销售利润为 9 元，则制造成本小于酸奶利润，因此希望预测的结果 y 多一些。采用上述的自定义损失函数，训练神经网络模型

*y=w1\*x1+w2\*x2;若成本低于利润，则应该y稍稍大于标准值。*

*标准值是：y\_=x1+x2;*

代码：

#coding:utf-8
    #tensorflow学习笔记(北京大学) 
    #酸奶成本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
    #0导入模块，生成数据集
    import tensorflow as tf
    import numpy as np
    BATCH_SIZE = 8
    SEED = 23455#随机种子
    COST = 1#花费
    PROFIT = 9#成本
    
    rdm = np.random.RandomState(SEED)#基于seed产生随机数
    X = rdm.rand(32,2)#随机数返回32行2列的矩阵 表示32组 体积和重量 作为输入数据集
    Y = [[x1+x2+(rdm.rand()/10.0-0.05)] for (x1, x2) in X]
    
    #1定义神经网络的输入、参数和输出，定义前向传播过程。
    x = tf.placeholder(tf.float32, shape=(None, 2))#占位
    y_ = tf.placeholder(tf.float32, shape=(None, 1))#占位
    w1= tf.Variable(tf.random_normal([2, 1], stddev=1, seed=1))#正态分布
    y = tf.matmul(x, w1)#点积
    
    #2定义损失函数及反向传播方法。
    # 定义损失函数使得预测少了的损失大，于是模型应该偏向多的方向预测。
    #tf.where:如果condition对应位置值为True那么返回Tensor对应位置为x的值，否则为y的值.
    #where(condition, x=None, y=None,name=None)
    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)#随机梯度下降
    
    #3生成会话，训练STEPS轮。
    with tf.Session() as sess:
        init_op = tf.global_variables_initializer()#初始化
        sess.run(init_op)#初始化
        STEPS = 3000
        for i in range(STEPS):#三千轮
            start = (i*BATCH_SIZE) % 32  #8个数据  为一个数据块输出
            end = (i*BATCH_SIZE) % 32 + BATCH_SIZE  #[i:i+8]
            sess.run(train_step, feed_dict={x: X[start:end], y_: Y[start:end]})#训练
            if i % 500 == 0:#每500轮打印输出
                print "After %d training steps, w1 is: " % (i)#打印i
                print sess.run(w1), "\n"#打印w1
        print "Final w1 is: \n", sess.run(w1)#最终打印w1

![1413304-20190530155313317-12472506.png][]

②若酸奶成本为 9 元，酸奶销售利润为 1 元，则制造成本大于酸奶利润，因此希望预测结果 y 小一*些。采用上述的自定义损失函数，训练神经网络模型。*

*同理，成本大于利润，则希望y相对小一些*

*代码：*

#coding:utf-8
    #酸奶成本9元， 酸奶利润1元
    #预测多了损失大，故不要预测多，故生成的模型会少预测一些
    #0导入模块，生成数据集
    import tensorflow as tf
    import numpy as np
    BATCH_SIZE = 8
    SEED = 23455
    COST = 9
    PROFIT = 1
    
    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、参数和输出，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)
    
    #2定义损失函数及反向传播方法。
    #重新定义损失函数，使得预测多了的损失大，于是模型应该偏向少的方向预测。
    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)
    
    #3生成会话，训练STEPS轮。
    with tf.Session() as sess:
        init_op = tf.global_variables_initializer()
        sess.run(init_op)
        STEPS = 3000
        for i in range(STEPS):
            start = (i*BATCH_SIZE) % 32
            end = (i*BATCH_SIZE) % 32 + BATCH_SIZE
            sess.run(train_step, feed_dict={x: X[start:end], y_: Y[start:end]})
            if i % 500 == 0:
                print "After %d training steps, w1 is: " % (i)
                print sess.run(w1), "\n"
        print "Final w1 is: \n", sess.run(w1)

![1413304-20190530155558201-2062923876.png][]

转载于:https://www.cnblogs.com/fcfc940503/p/10950084.html

[1413304-20190530131707221-459807196.png]: /images/20211220/26862952949245c9970d8fd937f887c9.png
[1413304-20190530155313317-12472506.png]: /images/20211220/b45777faca3f4a08acb0c0c3bc4c6a18.png
[1413304-20190530155558201-2062923876.png]: /images/20211220/d33b2c5b5b104ed99803058580b87df0.png