TensorFlow笔记-06-神经网络优化-损失函数,自定义损失函数,交叉熵

TensorFlow笔记-06-神经网络优化-损失函数,自定义损失函数,交叉熵

  • 神经元模型：用数学公式比表示为：f(Σi xi*wi + b), f为激活函数
  • 神经网络 是以神经元为基本单位构成的
  • 激活函数：引入非线性激活因素，提高模型的表达能力
    常用的激活函数有relu、sigmoid、tanh等
  • (1)激活函数relu：在Tensorflow中，用tf.nn.relu()表示
    这里写图片描述
  • (2)激活函数sigmoid：在Tensorflow中，用tf.nn.sigmoid()表示
    这里写图片描述
  • (3)激活函数tanh：在Tensorflow中，用tf.nn.tanh()表示
    这里写图片描述
  • 神经网络的复杂度：可用神经网络的的层数和神经网络中待优化参数个数表示
  • 神经网络的层数：一般不计入输入层，层数 = n个隐藏层 + 1个输入层
  • 神经网络待优化的参数：神经网络中所有参数w的个数 + 所有参数b的个数
  • 例如：
    这里写图片描述
    在该神经网络中，包含1个输入层，1个隐藏层和1个输出层，该神经网络的参数为2层
    在该神经网络中，参数的个数是所有参数w的个数加上所有参数b的总数，第一层参数用三行四列的二阶张量表示（即12个线上的权重w）再加上4个偏置b；第二层参数是四行二列的二阶张量（即8个线上的权重w）再加上2个偏置b
    总参数 = 34+4 + 42+2 = 26

损失函数

  • 损失函数（loss）：用来表示预测（y）与已知答案（y_）的差距。在训练神经网络时，通过不断改变神经网络中所有参数，使损失函数不断减小，从而训练出更高准确率的神经网络模型
  • 常用的损失函数有均方误差，自定义和交叉熵等
  • 均方误差mse：n个样本的预测值（y）与（y_）的差距。在训练神经网络时，通过不断的改变神经网络中的所有参数，使损失函数不断减小，从而训练出更高准确率的神经网络模型
    这里写图片描述
  • 在Tensorflow中用loss_mse = tf.reduce_mean(tf.square(y_-y))
  • 例如：
  • 预测酸奶日销量y，x1和x2是两个影响日销量的因素
  • 应提前采集的数据有：一段时间内，每日的x1因素、x2因素和销量y_。且数据尽量多
  • 在本例子中用销量预测产量，最优的产量应该等于销量，由于目前没有数据集，所以拟造了一套数据集。利用Tensorflow中函数随机生成x1、x2，制造标准答案y_ = x1 + x2，为了真实，求和后还加了正负0.05的随机噪声
  • 我们把这套自制的数据集喂入神经网络，构建一个一层的神经网络，拟合预测酸奶日销量的函数
  • 代码tf07sale文件：https://xpwi.github.io/py/TensorFlow/tf07sale.py
# coding:utf-8
# 预测多或者预测少的影响一样
# 导入模块，生成数据集
import tensorflow as tf
import numpy as np

# 一次喂入神经网络8组数据，数值不可以过大
BATCH_SIZE = 8
SEED = 23455

# 基于seed产生随机数
rdm = np.random.RandomState(SEED)
# 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
X = rdm.rand(32, 2)
Y_ = [[x1+x2+(rdm.rand()/10.0-0.05)] for (x1, x2) in X]
print("X:
", X)
print("Y:
", Y_)

# 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为2行1列
w1 = tf.Variable(tf.random_normal([2, 1], stddev=1, seed=1))
y = tf.matmul(x, w1)

# 定义损失函数及反向传播方法
# 定义损失函数为MSE，反向传播方法为梯度下降
loss_mse = tf.reduce_mean(tf.square(y_-y))
train_step = tf.train.GradientDescentOptimizer(0.001).minimize(loss_mse)
# 其他优化方法
# train_step = tf.train.GMomentumOptimizer(0.001, 0.9).minimize(loss_mse)
# train_step = tf.train.AdamOptimizer(0.001).minimize(loss_mse)

# 生成会话，训练STEPS轮
with tf.Session() as sess:
    init_op = tf.global_variables_initializer()
    sess.run(init_op)

    # 训练模型20000轮
    STEPS = 20000
    for i in range(STEPS):
        start = (i*BATCH_SIZE) % 32
        end = start + BATCH_SIZE
        sess.run(train_step, feed_dict={x: X[start:end], y_: Y_[start:end]})
        # 没500轮打印一次loss值
        if i % 1000 == 0:
            total_loss = sess.run(loss_mse, feed_dict={x: X, y_: Y_})
            print("After %d training step(s), loss on all data is %g" %(i, total_loss))
            print(sess.run(w1),"
")

    print("Final w1 is: 
", sess.run(w1))

运行结果

这里写图片描述

结果分析

有上述代码可知，本例中神经网络预测模型为y = w1x1 + w2x2，损失函数采用均方误差。通过使损失函数值（loss）不断降低，神经网络模型得到最终参数w1 = 0.98，w2 = 1.02，销量预测结果为y = 0.98x1 + 1.02x2。由于在生成数据集时，标准答案为y = x1 + x2，因此，销量预测结果和标准答案已经非常接近，说明该神经网络预测酸奶日销量正确

自定义损失函数

  • 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不是等价的。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 = Σnf(y_, y)
    • 其中，损失函数成分段函数：
      这里写图片描述
    • 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)第1种情况：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

# 第一种情况：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
# 导入模块，生成数据集
import tensorflow as tf
import numpy as np

# 一次喂入神经网络8组数据，数值不可以过大
BATCH_SIZE = 8
SEED = 23455
COST = 1
PROFIT = 9

# 基于seed产生随机数
rdm = np.random.RandomState(SEED)
# 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
X = rdm.rand(32, 2)
Y_ = [[x1+x2+(rdm.rand()/10.0-0.05)] for (x1, x2) in X]

# 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为2行1列
w1 = tf.Variable(tf.random_normal([2, 1], stddev=1, seed=1))
y = tf.matmul(x, w1)

# 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放心预测
loss = tf.reduce_sum(tf.where(tf.greater(y, y_), COST*(y-y_), PROFIT*(y_-y)))
train_step = tf.train.GradientDescentOptimizer(0.001).minimize(loss)
# 其他优化方法
# train_step = tf.train.GMomentumOptimizer(0.001, 0.9).minimize(loss)
# train_step = tf.train.AdamOptimizer(0.001).minimize(loss)

# 生成会话，训练STEPS轮
with tf.Session() as sess:
    init_op = tf.global_variables_initializer()
    sess.run(init_op)

    # 训练模型20000轮
    STEPS = 20000
    for i in range(STEPS):
        start = (i*BATCH_SIZE) % 32
        end = start + BATCH_SIZE
        sess.run(train_step, feed_dict={x: X[start:end], y_: Y_[start:end]})
        # 没500轮打印一次loss值
        if i % 1000 == 0:
            total_loss = sess.run(loss, feed_dict={x: X, y_: Y_})
            print("After %d training step(s), loss on all data is %g" %(i, total_loss))
            print(sess.run(w1),"
")

    print("Final w1 is: 
", sess.run(w1))

运行结果

这里写图片描述

运行结果分析

由代码执行结果可知，神经网络最终参数为w1=1.03，w2=1.05，销量预测结果为y = 1.03x1 + 1.05x2。由此可见，采用自定义损失函数预测的结果大于采用均方误差的结果，更符合实际需求

(2)第2种情况：若酸奶成本为9元，酸奶销售利润为1元，则制造利润小于酸奶成本，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

# 第二种情况：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
# 导入模块，生成数据集
import tensorflow as tf
import numpy as np

# 一次喂入神经网络8组数据，数值不可以过大
BATCH_SIZE = 8
SEED = 23455
COST = 9
PROFIT = 1

# 基于seed产生随机数
rdm = np.random.RandomState(SEED)
# 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
X = rdm.rand(32, 2)
Y_ = [[x1+x2+(rdm.rand()/10.0-0.05)] for (x1, x2) in X]

# 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为2行1列
w1 = tf.Variable(tf.random_normal([2, 1], stddev=1, seed=1))
y = tf.matmul(x, w1)

# 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_), COST*(y-y_), PROFIT*(y_-y)))
train_step = tf.train.GradientDescentOptimizer(0.001).minimize(loss)
# 其他优化方法
# train_step = tf.train.GMomentumOptimizer(0.001, 0.9).minimize(loss)
# train_step = tf.train.AdamOptimizer(0.001).minimize(loss)

# 生成会话，训练STEPS轮
with tf.Session() as sess:
    init_op = tf.global_variables_initializer()
    sess.run(init_op)

    # 训练模型20000轮
    STEPS = 20000
    for i in range(STEPS):
        start = (i*BATCH_SIZE) % 32
        end = start + BATCH_SIZE
        sess.run(train_step, feed_dict={x: X[start:end], y_: Y_[start:end]})
        # 没500轮打印一次loss值
        if i % 1000 == 0:
            total_loss = sess.run(loss, feed_dict={x: X, y_: Y_})
            print("After %d training step(s), loss on all data is %g" %(i, total_loss))
            print(sess.run(w1),"
")

    print("Final w1 is: 
", sess.run(w1))

运行结果

这里写图片描述

运行结果分析

由执行结果可知，神经网络最终参数为w1 = 0.96，w2 = 0.97，销量预测结果为y = 0.96+x1 + 0.7*x2。
因此，采用自定义损失函数预测的结果小于采用均方误差预测得结果，更符合实际需求

交叉熵

  • 交叉熵（Cross Entropy）：表示两个概率分布之间的距离，交叉熵越大，两个概率分布距离越远，两个概率分布越相异；交叉熵越小，两个概率分布距离越近，两个概率分布越相似
  • 交叉熵计算公式：H(y_, y) = -Σy_ * log y
  • 用 Tensorflow 函数表示

ce = -tf.reduce_mean(y_*tf.clip_by_value(y, le-12, 1.0)))

  • 例如：
    两个神经网络模型解决二分类问题中，已知标准答案为 y_ = (1, 0)，第一个神经网络模型预测结果为 y1 = (0.6, 0.4)，第二个神经网络模型预测结果为 y2 = (0.8, 0.2)，判断哪个神经网络模型预测得结果更接近标准答案
  • 根据交叉熵的计算公式得：

H(1, 0), (0.6, 0.4) = -(1 * log0.6 + 0log0.4) ≈ -(-0.222 + 0) = 0.222
H(1, 0), (0.8, 0.2) = -(1 * log0.8 + 0log0.2) ≈ -(-0.097 + 0) = 0.097

softmax 函数

  • **softmax 函数：将 n 分类中的 n 个输出（y1, y2...yn）变为满足以下概率分布要求的函数: **
    ∀x = P(X = x) ∈ [0, 1]
  • softmax 函数表示为：
    这里写图片描述
  • softmax 函数应用：在 n 分类中，模型会有 n 个输出，即 y1，y2 ... n, 其中yi表示第 i 中情况出现的可能性大小。将 n 个输出经过 softmax 函数，可得到符合概率分布的分类结果
  • 在 Tensorflow 中，一般让模型的输出经过 softmax 函数，以获得输出分类的概率分布再与标准答案对比，求出交叉熵，得到损失函数，用如下函数实现：

ce = tf.nn.sparse_softmax_cross_entropy_with_logits(logits = y, labels = tf.argmax(y_, 1))
cem = tf.reduce_mean(ce)

更多文章链接：Tensorflow 笔记

- 本笔记不允许任何个人和组织转载
【推广】 免费学中医，健康全家人
原文地址：https://www.cnblogs.com/xpwi/p/9635370.html