TensorFlow如何自定義損失函數(shù)來預(yù)測商品銷售量

這篇文章主要介紹TensorFlow如何自定義損失函數(shù)來預(yù)測商品銷售量，文中介紹的非常詳細，具有一定的參考價值，感興趣的小伙伴們一定要看完！

在預(yù)測商品銷量時，如果預(yù)測多了（預(yù)測值比真實銷量大），商家損失的是生產(chǎn)商品的成本；而如果預(yù)測少了（預(yù)測值比真實銷量?。?，損失的則是商品的利潤。因為一般商品的成本和商品的利潤不會嚴(yán)格相等，比如如果一個商品的成本是1元，但是利潤是10元，那么少預(yù)測一個就少掙10元；而多預(yù)測一個才少掙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法最大化預(yù)期的銷售利潤。

為了最大化預(yù)期利潤，需要將損失函數(shù)和利潤直接聯(lián)系起來，需要注意的是，損失函數(shù)定義的是損失，所以要將利潤最大化，定義的損失函數(shù)應(yīng)該刻畫成本或者代價，下面的公式給出了一個當(dāng)預(yù)測多于真實值和預(yù)測少于真實值時有不同損失系數(shù)的損失函數(shù)：

其中，yi為一個batch中第i個數(shù)據(jù)的真實值，yi'為神經(jīng)網(wǎng)絡(luò)得到的預(yù)測值，a和b是常量，比如在上面介紹的銷量預(yù)測問題中，a就等于10 （真實值多于預(yù)測值的代價），而b等于1 （真實值少于預(yù)測值的代價）。

通過對這個自定義損失函數(shù)的優(yōu)化，模型提供的預(yù)測值更有可能最大化收益，在TensorFlow中，可以通過以下代碼來實現(xiàn)這個損失函數(shù)：

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

①tf.greater函數(shù)的輸入是兩個張量，此函數(shù)會比較這兩個輸入張量中每一個元素的大小，并返回比較結(jié)果，當(dāng)tf.greater的輸入張量維度不一樣時，TensorFlow會進行類似NumPy廣播操作(broadcasting)的處理；

②tf.where函數(shù)有三個參數(shù)，第一個為選擇條件，當(dāng)選擇條件為True時，tf.where函數(shù)會選擇第二個參數(shù)中的值，否則使用第三個參數(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別進行的。

接下來使用一段TensorFlow代碼展示這兩個函數(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函數(shù)之后，我們來看一看剛才的預(yù)測商品銷售量的實例如何通過具體的TensorFlow代碼實現(xiàn)：

import tensorflow as tf
from numpy.random import RandomState

#聲明wl、W2兩個變量，通過seed參數(shù)設(shè)定了隨機種子，這樣可以保證每次運行得到的結(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)

#定義真實值與預(yù)測值之間的交叉熵損失函數(shù)，來刻畫真實值與預(yù)測值之間的差距
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)置隨機數(shù)種子
rdm = RandomState(seed=1)
#設(shè)置隨機數(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(yù)測的噪音，否則不同損失函數(shù)的意義就不大了，因為不同損失函數(shù)都會在能完全預(yù)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(shè)置為-0.05——0.05的隨機數(shù)。'''
Y = [[x1 + x2 + rdm.rand()/10.0 -0.05] for x1,x2 in X]

#創(chuàng)建會話
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個樣本進行訓(xùn)練
  start = (i * batch_size) % dataset_size
  end = min(start + batch_size, dataset_size)

  #通過選取的樣本訓(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)測函數(shù)為1.019347 * x1 + 1.0428089 * x2，顯然是大于實際的預(yù)測函數(shù)x1 + x2的，這是因為我們的損失函數(shù)中指定預(yù)測少了的損失更大（loss_less > loss_more），所以模型會偏向于預(yù)測多一點。

如果我們更換代碼，改為：

loss_less = 1
loss_more = 10

那么我們的結(jié)果就會變?yōu)椋?/p>

[[-0.8113182]
 [ 1.4845988]]
[[0.95561105]
 [0.98101896]]

預(yù)測函數(shù)變?yōu)榱?.95561105 * x1 + 0.98101896 * x2，可以看到這時候模型就會偏向于預(yù)測少一點。

因此，我們可以得出結(jié)論：對于相同的神經(jīng)網(wǎng)絡(luò)，不同的損失函數(shù)會對訓(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)來預(yù)測商品銷售量”這篇文章的所有內(nèi)容，感謝各位的閱讀！希望分享的內(nèi)容對大家有幫助，更多相關(guān)知識，歡迎關(guān)注億速云行業(yè)資訊頻道！