tensorflow笔记三：神经网络优化（损失函数：自定义损失函数、交叉熵、softmax()）...

1. 前向传播 搭建网络结构，反向传播 训练网络参数。
2. 激活函数 提高了模型的表达里，使模型更具有表达力。
3. 神经网络的层数，通常用神经网络的层数和神经网络待优化的参数的个数 来表示。

• 层数 = 隐藏层的层数 + 1个输出层
• 总参数 = 总W + 总b

4. 神经网络的优化
   四个方面：损失函数loss、学习率learning_rate、滑动平均ema、正则化regularization
   (1)损失函数（loss）:预测值（y）与已知答案（y_）的差距。（即前向传播计算出的结果 与 已知标准答案的 差距）
   NN 优化目标：使loss最小。主流的loss计算方法：
   a) mse(Mean Squared Erros)
   b) 自定义
   c) ce（Cross Entropy）（交叉熵）
   (2)均方误差 mse：MSE(y_, y)
   loss_mse = tf.reduce_mean(tf.square(y_ - y))
   （拟合可以预测销量的函数）
5. 自定义损失函数
   如预测商品销量，预测多了，损失成本；预测少了，损失利润。
   若 利润 ≠ 成本，则mse产生的loss无法利益最大化。
   自定义损失函数
   y：标准答案数据集的；
   y_：预测答案 计算出的
   损失和
   loss = tf.reduce_sum(tf.where(tf.greater(y, y_), COSE(y - y_), PROFIT(y_ - y))) 把所有的损失求和
6. 交叉熵
   表征两个概率分布之间的距离
   交叉熵越大，两个概率分布越远；交叉熵越小，两个概率分布越近。
   y_：标准答案的概率分布；
   y：预测结果的概率分布；
   通过交叉熵的值，可以判断 哪个预测结果 与标准答案 最接近。
   y—— = （1， 0）表示：第一种情况发生的概率是100%， 第二种情况发生的概率是0.
   ce = -tf.reduce_mean(y * tf.log(tf.clip_by_value(y, 1e-12, 1.0)))
   y小于1e-12时 值为1e-12(防止出现log0的错误)；
   大于1.0 为1.0（这是因为 输入的数 均满足概率分布，应该在0-1之间，不可能大于1）
   在实际操作中，为了使前向传播产生的结果满足概率分布，及为了使n分类的n个输出（y1,y1, ..., yn）都在0-1之间，且它们的和为1，引入了softmax()函数
   当n分类的n个输出（y1, y2, ..., yn）通过softmax()函数，便满足了y概率分布要求
   （yn表示 第n中情况 出现的可能性大小。对于n分类，有y1, y1, ..., yn n个输出。这n个输出 经过softmax()函数后，会符合概率分布。）
   （输出 经过softmax()函数 满足概率分布之后，再与标准答案 求交叉熵）

# 输出 经过softmax()函数 满足概率分布之后，再与标准答案 求交叉熵
ce = tf.nn.sparse_softmax_cross_entropy_with_logits(logits=y, labels=tf.argmax(y_, 1))
cenn = tf.reduce_mean(ce)
# 这个输出cenn 就是：当前计算出的预测值 与 标准答案的 差距。也就是 损失函数

示例代码:

#coding=utf-8
'''
    用自定义损失函数 预测酸奶日销量
'''
# 酸奶成功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
BATCH_SIZE = 8
SEED = 23455
COST = 1
PROFIT = 9

rdm = np.random.RandomState(SEED)
X = rdm.rand(32, 2)
Y = [[x1 + x2 + (rdm.rand()/10.0 - 0.05)] for (x1, x2) in X]

# 1定义神经网络的输入、参数、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 = tf.Variable(tf.random_normal([2, 1], stddev=1, seed=1))
y = tf.matmul(x, w1)  # 计算出的

# 2定义损失函数及反向传播方法
# 定义损失函数 是的预测少了的损失大，于是模型应该偏向多的方向预测
loss = tf.reduce_sum(tf.where(tf.greater(y, y_), (y - y_) * COST, (y_ - y) * PROFIT))
train_step = tf.train.GradientDescentOptimizer(0.001).minimize(loss)

转载于:https://my.oschina.net/workhardforward/blog/2414017