這個自定義損失函數的背景：（一般回歸用的損失函數是MSE, 但要看實際遇到的情況而有所改變）

我們現在想要做一個回歸，來預估某個商品的銷量，現在我們知道，一件商品的成本是1元，售價是10元。

如果我們用均方差來算的話，如果預估多一個，則損失一塊錢，預估少一個，則損失9元錢（少賺的）。

顯然，我寧愿預估多了，也不想預估少了。

所以，我們就自己定義一個損失函數，用來分段地看，當yhat 比 y大時怎么樣，當yhat比y小時怎么樣。

（yhat沿用吳恩達課堂中的叫法）

import tensorflow as tffrom numpy.random import RandomStatebatch_size = 8# 兩個輸入節點x = tf.placeholder(tf.float32, shape=(None, 2), name="x-input")# 回歸問題一般只有一個輸出節點y_ = tf.placeholder(tf.float32, shape=(None, 1), name="y-input")# 定義了一個單層的神經網絡前向傳播的過程，這里就是簡單加權和w1 = tf.Variable(tf.random_normal([2, 1], stddev=1, seed=1))y = tf.matmul(x, w1)# 定義預測多了和預測少了的成本loss_less = 10loss_more = 1#在windows下，下面用這個where替代，因為調用tf.select會報錯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)#通過隨機數生成一個模擬數據集rdm = RandomState(1)dataset_size = 128X = rdm.rand(dataset_size, 2)"""設置回歸的正確值為兩個輸入的和加上一個隨機量，之所以要加上一個隨機量是為了加入不可預測的噪音，否則不同損失函數的意義就不大了，因為不同損失函數都會在能完全預測正確的時候最低。一般來說，噪音為一個均值為0的小量，所以這里的噪音設置為-0.05， 0.05的隨機數。"""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]

最終結果如上面所示。

因為我們當初生成訓練數據的時候，y是x1 + x2，所以回歸結果應該是1，1才對。
但是，由于我們加了自己定義的損失函數，所以，傾向于預估多一點。

如果，我們將loss_less和loss_more對調，我們看一下結果：

[[ 0.95525807][ 0.9813394 ]]

通過這個例子，我們可以看出，對于相同的神經網絡，不同的損失函數會對訓練出來的模型產生重要的影響。

引用：以上實例為《Tensorflow實戰 Google深度學習框架》中提供。

總結

以上所述是小編給大家介紹的tensorflow 自定義損失函數示例，希望對大家有所幫助！