WYXOGOTensorFlow2.1入门学习笔记(7)——损失函数
Contents
0.1 损失函数（loss）：
预测值（y）与已知答案（y_）的差距
神经网络的优化目标：
loss最小: $\Rightarrow\left\{\begin{array}{lr}{mse(Mean Aquared Error)}\\{自定义}\\{ce(Cross Entropy)}\end{array}\right.$
0.1.0.0.1 均方误差mse：loss_mse = tf.reduce_mean(tf.square(y_-y))
$$MSE(y_,y)=\frac{\sum_{i=1}^{n}(y-y_)^2}{n}$$
- 例 预测酸奶日销量y，x1、x2是影响日销量的因素。 建模前，应预先采集的数据有：每日x1、x2和销量y_(即已知答案，最佳的情况：产量=销量) 拟造数据集X，Y：y_=x1+x2 噪声：-0.05~+0.05 拟合可以预算销量的函数
import tensorflow as tf
import numpy as np
SEED = 23455
rdm = np.random.RandomState(seed=SEED) # 生成[0,1)之间的随机数
x = rdm.rand(32, 2)
y_ = [[x1 + x2 + (rdm.rand() / 10.0 - 0.05)] for (x1, x2) in x] # 生成噪声[0,1)/10=[0,0.1); [0,0.1)-0.05=[-0.05,0.05)
x = tf.cast(x, dtype=tf.float32)
w1 = tf.Variable(tf.random.normal([2, 1], stddev=1, seed=1))
epoch = 15000
lr = 0.002
for epoch in range(epoch):
with tf.GradientTape() as tape:
y = tf.matmul(x, w1)
loss_mse = tf.reduce_mean(tf.square(y_ - y))
grads = tape.gradient(loss_mse, w1)
w1.assign_sub(lr * grads)
if epoch % 500 == 0:
print("After %d training steps,w1 is " % (epoch))
print(w1.numpy(), "\n")
print("Final w1 is: ", w1.numpy())- 运行结果
0.1.0.0.2 自定义损失函数：
如预测产品销量，预测多了，损失成本；预测少了，损失利润。若利润$\neq$成本，则mse产生的loss无法利益最大化。 自定义损失函数： $lossy_,y=\sum_{n}f(y_,y)$
$$
f(x) = \left\{
\begin{array}{lr}
PROFIT*(y\_-y) & : y < y\_\\
COST*(y-y\_) & : y \geq y\_
\end{array}
\right.
$$
loss_zdy=tf.reduce_sum(tf.where(tf.greater(y,y_),COST(y-y_),PROFIT(y_-y)))
如：预测酸奶销量，酸奶成本（COST）1元，酸奶利润（PROFIT）99元 预测少了损失利润99元，预测多了损失1元，希望生成的预测函数往多了预测
import tensorflow as tf
import numpy as np
SEED = 23455
COST = 1
PROFIT = 99
rdm = np.random.RandomState(SEED)
x = rdm.rand(32, 2)
y_ = [[x1 + x2 + (rdm.rand() / 10.0 - 0.05)] for (x1, x2) in x] # 生成噪声[0,1)/10=[0,0.1); [0,0.1)-0.05=[-0.05,0.05)
x = tf.cast(x, dtype=tf.float32)
w1 = tf.Variable(tf.random.normal([2, 1], stddev=1, seed=1))
epoch = 10000
lr = 0.002
for epoch in range(epoch):
with tf.GradientTape() as tape:
y = tf.matmul(x, w1)
loss = tf.reduce_sum(tf.where(tf.greater(y, y_), (y - y_) * COST, (y_ - y) * PROFIT))
grads = tape.gradient(loss, w1)
w1.assign_sub(lr * grads)
if epoch % 500 == 0:
print("After %d training steps,w1 is " % (epoch))
print(w1.numpy(), "\n")
print("Final w1 is: ", w1.numpy())- 运行结果
0.1.0.0.3 交叉熵损失函数：tf.losses.categorical_crossentropy(y_,y)
$$H(y_,y)=-\sum y_*lny$$
CE(Cross Entropy):表示两个概率分布之间的距离 eg.二分类 已知答案y_=(1,0)
预测$y_1$=(0.6,0.4) $y_2$=(0.8,0.2)哪个更接近标准答案
$H_1((1,0),(0.6,0.4))=-(1 * ln0.6 + 0 * ln0.4) \approx -(-0.511 + 0) = 0.511$
$H_2((1,0),(0.8,0.2))=-(1 * ln0.8 + 0 * ln0.2) \approx -(-0.223 + 0) = 0.223$
因为$H_1>H_2$,所以$y_2$预测更准确
import tensorflow as tf
loss_ce1 = tf.losses.categorical_crossentropy([1, 0], [0.6, 0.4])
loss_ce2 = tf.losses.categorical_crossentropy([1, 0], [0.8, 0.2])
print("loss_ce1:", loss_ce1)
print("loss_ce2:", loss_ce2)- 运行结果
0.1.0.0.4 softmax与交叉熵解和：tf.nn.softmax_cross_entropy_with_logits(y_,y)
输出先过softmax函数，再计算y与y_的交叉熵损失函数
# softmax与交叉熵损失函数的结合
import tensorflow as tf
import numpy as np
y_ = np.array([[1, 0, 0], [0, 1, 0], [0, 0, 1], [1, 0, 0], [0, 1, 0]])
y = np.array([[12, 3, 2], [3, 10, 1], [1, 2, 5], [4, 6.5, 1.2], [3, 6, 1]])
y_pro = tf.nn.softmax(y)
loss_ce1 = tf.losses.categorical_crossentropy(y_,y_pro)
loss_ce2 = tf.nn.softmax_cross_entropy_with_logits(y_, y)
print('分步计算的结果:\n', loss_ce1)
print('结合计算的结果:\n', loss_ce2)- 运行结果：
主要学习的资料，西安科技大学：神经网络与深度学习——TensorFlow2.0实战，北京大学：人工智能实践Tensorflow笔记