这个自定义损失函数的背景：（一般回归用的损失函数是MSE, 但要看实际遇到的情况而有所改变）
我们现在想要做一个回归，来预估某个商品的销量，现在我们知道，一件商品的成本是1元，售价是10元。
如果我们用均方差来算的话，如果预估多一个，则损失一块钱，预估少一个，则损失9元钱（少赚的）。
显然，我宁愿预估多了，也不想预估少了。
所以，我们就自己定义一个损失函数，用来分段地看，当yhat 比 y大时怎么样，当yhat比y小时怎么样。
（yhat沿用吴恩达课堂中的叫法）
import tensorflow as tf from numpy.random import RandomState batch_size = 8 # 两个输入节点 x = tf.placeholder(tf.float32, shape=(None, 2), name="x-input") # 回归问题一般只有一个输出节点 y_ = tf.placeholder(tf.float32, shape=(None, 1), name="y-input") # 定义了一个单层的神经网络前向传播的过程，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) # 定义预测多了和预测少了的成本 loss_less = 10 loss_more = 1 #在windows下，下面用这个where替代，因为调用tf.select会报错 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] 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]
最终结果如上面所示。
因为我们当初生成训练数据的时候，y是x1 + x2，所以回归结果应该是1，1才对。
但是，由于我们加了自己定义的损失函数，所以，倾向于预估多一点。
如果，我们将loss_less和loss_more对调，我们看一下结果：
[[ 0.95525807]
[ 0.9813394 ]]
通过这个例子，我们可以看出，对于相同的神经网络，不同的损失函数会对训练出来的模型产生重要的影响。
引用：以上实例为《Tensorflow实战 Google深度学习框架》中提供。