這篇文章主要介紹TensorFlow如何自定義損失函數(shù)來(lái)預(yù)測(cè)商品銷售量，文中介紹的非常詳細(xì)，具有一定的參考價(jià)值，感興趣的小伙伴們一定要看完！
在預(yù)測(cè)商品銷量時(shí)，如果預(yù)測(cè)多了（預(yù)測(cè)值比真實(shí)銷量大），商家損失的是生產(chǎn)商品的成本；而如果預(yù)測(cè)少了（預(yù)測(cè)值比真實(shí)銷量?。?，損失的則是商品的利潤(rùn)。因?yàn)橐话闵唐返某杀竞蜕唐返睦麧?rùn)不會(huì)嚴(yán)格相等，比如如果一個(gè)商品的成本是1元，但是利潤(rùn)是10元，那么少預(yù)測(cè)一個(gè)就少掙10元；而多預(yù)測(cè)一個(gè)才少掙1元，所以如果神經(jīng)網(wǎng)絡(luò)模型最小化的是均方誤差損失函數(shù)，那么很有可能此模型就無(wú)法大化預(yù)期的銷售利潤(rùn)。
為了大化預(yù)期利潤(rùn)，需要將損失函數(shù)和利潤(rùn)直接聯(lián)系起來(lái)，需要注意的是，損失函數(shù)定義的是損失，所以要將利潤(rùn)大化，定義的損失函數(shù)應(yīng)該刻畫成本或者代價(jià)，下面的公式給出了一個(gè)當(dāng)預(yù)測(cè)多于真實(shí)值和預(yù)測(cè)少于真實(shí)值時(shí)有不同損失系數(shù)的損失函數(shù)：
其中，yi為一個(gè)batch中第i個(gè)數(shù)據(jù)的真實(shí)值，yi'為神經(jīng)網(wǎng)絡(luò)得到的預(yù)測(cè)值，a和b是常量，比如在上面介紹的銷量預(yù)測(cè)問(wèn)題中，a就等于10 （真實(shí)值多于預(yù)測(cè)值的代價(jià)），而b等于1 （真實(shí)值少于預(yù)測(cè)值的代價(jià)）。
通過(guò)對(duì)這個(gè)自定義損失函數(shù)的優(yōu)化，模型提供的預(yù)測(cè)值更有可能大化收益，在TensorFlow中，可以通過(guò)以下代碼來(lái)實(shí)現(xiàn)這個(gè)損失函數(shù)：
loss = tf.reduce_sum(tf.where(tf.greater(y_, y), (y_ - y) * loss_less, (y - y_) * loss_more))
①tf.greater函數(shù)的輸入是兩個(gè)張量，此函數(shù)會(huì)比較這兩個(gè)輸入張量中每一個(gè)元素的大小，并返回比較結(jié)果，當(dāng)tf.greater的輸入張量維度不一樣時(shí)，TensorFlow會(huì)進(jìn)行類似NumPy廣播操作(broadcasting)的處理；
②tf.where函數(shù)有三個(gè)參數(shù)，第一個(gè)為選擇條件，當(dāng)選擇條件為True時(shí)，tf.where函數(shù)會(huì)選擇第二個(gè)參數(shù)中的值，否則使用第三個(gè)參數(shù)中的值，需要注意的是，tf.where函數(shù)的判斷和選擇都是在元素級(jí)別進(jìn)行的。
接下來(lái)使用一段TensorFlow代碼展示這兩個(gè)函數(shù)的使用：
import tensorflow as tf v1 = tf.constant([1.0, 2.0, 3.0, 4.0]) v2 = tf.constant([4.0, 3.0, 2.0, 1.0]) with tf.Session() as sess: print(sess.run(tf.greater(v1, v2))) print(sess.run(tf.where(tf.greater(v1, v2), v1, v2))) '''輸出結(jié)果為： [False False True True] [4. 3. 3. 4.]'''
在了解如何使用這兩個(gè)函數(shù)之后，我們來(lái)看一看剛才的預(yù)測(cè)商品銷售量的實(shí)例如何通過(guò)具體的TensorFlow代碼實(shí)現(xiàn)：
重慶分公司
重慶分公司
import tensorflow as tf
from numpy.random import RandomState
#聲明wl、W2兩個(gè)變量，通過(guò)seed參數(shù)設(shè)定了隨機(jī)種子，這樣可以保證每次運(yùn)行得到的結(jié)果是一樣的
w = tf.Variable(tf.random_normal([2, 1], stddev=1, seed=1))
x = tf.placeholder(tf.float32, shape=(None, 2), name="x-input")
y_ = tf.placeholder(tf.float32, shape=(None, 1), name="y-input")
#定義神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
y = tf.matmul(x, w)
#定義真實(shí)值與預(yù)測(cè)值之間的交叉熵?fù)p失函數(shù)，來(lái)刻畫真實(shí)值與預(yù)測(cè)值之間的差距
loss_less = 10
loss_more = 1
loss = tf.reduce_sum(tf.where(tf.greater(y_, y), (y_ - y) * loss_less, (y - y_) * loss_more))
#定義反向傳播算法的優(yōu)化方法
train_step = tf.train.AdamOptimizer(learning_rate=0.001).minimize(loss)
#設(shè)置隨機(jī)數(shù)種子
rdm = RandomState(seed=1)
#設(shè)置隨機(jī)數(shù)據(jù)集大小
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]
#創(chuàng)建會(huì)話
with tf.Session() as sess:
#初始化變量
init_op = tf.global_variables_initializer()
sess.run(init_op)
print(sess.run(w))
#設(shè)置batch訓(xùn)練數(shù)據(jù)的大小
batch_size = 8
#設(shè)置訓(xùn)練得輪數(shù)
STEPS = 5000
for i in range(STEPS):
#每次選取batch_size個(gè)樣本進(jìn)行訓(xùn)練
start = (i * batch_size) % dataset_size
end = min(start + batch_size, dataset_size)
#通過(guò)選取的樣本訓(xùn)練神經(jīng)網(wǎng)絡(luò)并更新參數(shù)
sess.run(train_step, feed_dict={x:X[start:end], y_:Y[start:end]})
print(sess.run(w))
'''輸出結(jié)果為：
[[-0.8113182]
[ 1.4845988]]
[[1.019347 ]
[1.0428089]]'''可以看到參數(shù)w優(yōu)化后，預(yù)測(cè)函數(shù)為1.019347 * x1 + 1.0428089 * x2，顯然是大于實(shí)際的預(yù)測(cè)函數(shù)x1 + x2的，這是因?yàn)槲覀兊膿p失函數(shù)中指定預(yù)測(cè)少了的損失更大（loss_less > loss_more），所以模型會(huì)偏向于預(yù)測(cè)多一點(diǎn)。
如果我們更換代碼，改為：
loss_less = 1 loss_more = 10
那么我們的結(jié)果就會(huì)變?yōu)椋?/p>
[[-0.8113182] [ 1.4845988]] [[0.95561105] [0.98101896]]
預(yù)測(cè)函數(shù)變?yōu)榱?.95561105 * x1 + 0.98101896 * x2，可以看到這時(shí)候模型就會(huì)偏向于預(yù)測(cè)少一點(diǎn)。
因此，我們可以得出結(jié)論：對(duì)于相同的神經(jīng)網(wǎng)絡(luò)，不同的損失函數(shù)會(huì)對(duì)訓(xùn)練得到的模型產(chǎn)生不同效果。
以上是“TensorFlow如何自定義損失函數(shù)來(lái)預(yù)測(cè)商品銷售量”這篇文章的所有內(nèi)容，感謝各位的閱讀！希望分享的內(nèi)容對(duì)大家有幫助，更多相關(guān)知識(shí)，歡迎關(guān)注創(chuàng)新互聯(lián)成都網(wǎng)站設(shè)計(jì)公司行業(yè)資訊頻道！
另外有需要云服務(wù)器可以了解下創(chuàng)新互聯(lián)scvps.cn，海內(nèi)外云服務(wù)器15元起步，三天無(wú)理由+7*72小時(shí)售后在線，公司持有idc許可證，提供“云服務(wù)器、裸金屬服務(wù)器、高防服務(wù)器、香港服務(wù)器、美國(guó)服務(wù)器、虛擬主機(jī)、免備案服務(wù)器”等云主機(jī)租用服務(wù)以及企業(yè)上云的綜合解決方案，具有“安全穩(wěn)定、簡(jiǎn)單易用、服務(wù)可用性高、性價(jià)比高”等特點(diǎn)與優(yōu)勢(shì)，專為企業(yè)上云打造定制，能夠滿足用戶豐富、多元化的應(yīng)用場(chǎng)景需求。
