本篇文章給大家分享的是有關(guān)使用tensorflow怎么自定義損失函數(shù)，小編覺(jué)得挺實(shí)用的，因此分享給大家學(xué)習(xí)，希望大家閱讀完這篇文章后可以有所收獲，話不多說(shuō)，跟著小編一起來(lái)看看吧。

成都創(chuàng)新互聯(lián)公司專注為客戶提供全方位的互聯(lián)網(wǎng)綜合服務(wù)，包含不限于成都網(wǎng)站設(shè)計(jì)、做網(wǎng)站、丁青網(wǎng)絡(luò)推廣、微信小程序、丁青網(wǎng)絡(luò)營(yíng)銷(xiāo)、丁青企業(yè)策劃、丁青品牌公關(guān)、搜索引擎seo、人物專訪、企業(yè)宣傳片、企業(yè)代運(yùn)營(yíng)等，從售前售中售后，我們都將竭誠(chéng)為您服務(wù)，您的肯定，是我們大的嘉獎(jiǎng)；成都創(chuàng)新互聯(lián)公司為所有大學(xué)生創(chuàng)業(yè)者提供丁青建站搭建服務(wù)，24小時(shí)服務(wù)熱線：028-86922220，官方網(wǎng)址：chinadenli.net

import tensorflow as tf
from numpy.random import RandomState
batch_size = 8
# 兩個(gè)輸入節(jié)點(diǎn)
x = tf.placeholder(tf.float32, shape=(None, 2), name="x-input")
# 回歸問(wèn)題一般只有一個(gè)輸出節(jié)點(diǎn)
y_ = tf.placeholder(tf.float32, shape=(None, 1), name="y-input")
# 定義了一個(gè)單層的神經(jīng)網(wǎng)絡(luò)前向傳播的過(guò)程，這里就是簡(jiǎn)單加權(quán)和
w1 = tf.Variable(tf.random_normal([2, 1], stddev=1, seed=1))
y = tf.matmul(x, w1)
# 定義預(yù)測(cè)多了和預(yù)測(cè)少了的成本
loss_less = 10
loss_more = 1
#在windows下，下面用這個(gè)where替代，因?yàn)檎{(diào)用tf.select會(huì)報(bào)錯(cuò)
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)
#通過(guò)隨機(jī)數(shù)生成一個(gè)模擬數(shù)據(jù)集
rdm = RandomState(1)
dataset_size = 128
X = rdm.rand(dataset_size, 2)
"""
設(shè)置回歸的正確值為兩個(gè)輸入的和加上一個(gè)隨機(jī)量，之所以要加上一個(gè)隨機(jī)量是
為了加入不可預(yù)測(cè)的噪音，否則不同損失函數(shù)的意義就不大了，因?yàn)椴煌瑩p失函數(shù)
都會(huì)在能完全預(yù)測(cè)正確的時(shí)候最低。一般來(lái)說(shuō)，噪音為一個(gè)均值為0的小量，所以
這里的噪音設(shè)置為-0.05， 0.05的隨機(jī)數(shù)。
"""
Y = [[x1 + x2 + rdm.rand()/10.0-0.05] for (x1, x2) in X]
with tf.Session() as sess:
 init = tf.global_variables_initializer()
 sess.run(init)
 steps = 5000
 for i in range(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]

最終結(jié)果如上面所示。

因?yàn)槲覀儺?dāng)初生成訓(xùn)練數(shù)據(jù)的時(shí)候，y是x1 + x2，所以回歸結(jié)果應(yīng)該是1，1才對(duì)。
但是，由于我們加了自己定義的損失函數(shù)，所以，傾向于預(yù)估多一點(diǎn)。

如果，我們將loss_less和loss_more對(duì)調(diào)，我們看一下結(jié)果：

[[ 0.95525807]
[ 0.9813394 ]]

以上就是使用tensorflow怎么自定義損失函數(shù)，小編相信有部分知識(shí)點(diǎn)可能是我們?nèi)粘９ぷ鲿?huì)見(jiàn)到或用到的。希望你能通過(guò)這篇文章學(xué)到更多知識(shí)。更多詳情敬請(qǐng)關(guān)注創(chuàng)新互聯(lián)行業(yè)資訊頻道。

文章標(biāo)題：使用tensorflow怎么自定義損失函數(shù)-創(chuàng)新互聯(lián)
URL鏈接：http://chinadenli.net/article34/deiose.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供網(wǎng)站設(shè)計(jì)公司、定制開(kāi)發(fā)、動(dòng)態(tài)網(wǎng)站、響應(yīng)式網(wǎng)站、做網(wǎng)站、網(wǎng)站導(dǎo)航

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請(qǐng)盡快告知，我們將會(huì)在第一時(shí)間刪除。文章觀點(diǎn)不代表本網(wǎng)站立場(chǎng)，如需處理請(qǐng)聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時(shí)需注明來(lái)源： 創(chuàng)新互聯(lián)