TensorFlow实战-自定义损失函数完整案例

import tensorflow as tf
from numpy.random import RandomState
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

batch_size = 8

#两个输入节点。
x = tf.placeholder(tf.float32,shape=(None,2),name='x-input')
#一个输出节点。
y_ = tf.placeholder(tf.float32,shape=(None),name='y-input')

#定义了一个单层的神经网络前向传播过程，这里就是简单加权和。
w1 = tf.Variable(tf.random_normal([2,1],stddev=1,seed=1))
y = tf.matmul(x,w1)

#自定义损失函数
#定义预测多了和预测少了的成本。
loss_less = 10
loss_more = 1
#此处用到了tf.greater 和 tf.where 来实现选择操作，tf.greater 的输入是两个张量，此函数会比较这两个输入张量中每个元素的大小，并返回比较结果。
#当tf.greater的输入张量维度不一样时，TensorFlow会进行类似NumPy广播操作处理。
#tf.where函数有三个参数，第一个为选择条件根据，当为True时，tf.where函数选择第二个参数中的值，否则使用第三个参数中的值。
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)

#通过随机数生成一个模拟数据集
rdm = RandomState(1)
dataset_size = 128
X = rdm.rand(dataset_size,2)
#设置回归的正确值为两个输入的和加上一个随机变量。之所以要加上一个随机量是为了加入不可预测的噪音，
#否则不同损失函数的意义就不大了，因为不同损失函数都会在能完全预测正确的时候最低。一般来说噪音为一个均值为0的小量，
#所以这里的噪音设置为-0.05~0.05的随机数。
Y = [[x1 + x2 +rdm.rand()/10.0-0.05] for (x1,x2) in X]

#训练神经网络。
with tf.Session() as sess:
    init_op = tf.global_variables_initializer()
    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))

'''
输出结果：
[[1.0193471]
 [1.0428091]]
'''