如何用Tensorflow实现自定义损失函数解决二分类长尾词问题？

本文共计466个文字，预计阅读时间需要2分钟。

简易神经网络解决分类问题示例（Tensorflow）（自定义损失函数）在预测商品销量时，若预测销量多，商家损失的是商品的成本；若预测销量少，损失的是商品的利润。

简单神经网络解决二分类问题示例（Tensorflow）（自定义损失函数）在预测商品销量时，如果预测多了，商家损失的是生产商品的成本;而如果预测少了，损失的则是商品的利润。针对这种模

简单神经网络解决二分类问题示例（Tensorflow）（自定义损失函数）

在预测商品销量时，如果预测多了，商家损失的是生产商品的成本;而如果预测少了，损失的则是商品的利润。针对这种模型可以自己定义损失函数。

自定义损失函数为：

Loss(y,y′)=∑i=1nf(yi,y′i),f(x,y)={ a(x−y);x>yb(y−x);x y b ( y − x ) ; x <= y

可使用如下代码实现：

loss_less = 10loss_more = 1loss = tf.reduce_sum(tf.where(tf.greater(y, y_), (y - y_) * loss_more, (y_ - y) * loss_less))

整体代码如下：

#coding:utf-8import tensorflow as tffrom numpy.random import RandomStatebatch_size = 8x = tf.placeholder(tf.float32, shape = (None, 2), name = 'x-input')y_ = tf.placeholder(tf.float32, shape = (None, 1), name = 'y-input')w1 = tf.Variable(tf.random_normal([2,1],stddev = 1, seed = 1))y = tf.matmul(x, w1)loss_less = 10loss_more = 1loss = 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)rdm = RandomState(1)dataset_size = 128X = rdm.rand(dataset_size, 2)Y = [[x1 + x2 + rdm.rand()/10.0-0.05] for (x1, x2) in X]with tf.Session() as sess: init_op = tf.initialize_all_variables() sess.run(init_op) 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))