机器学习之路： tensorflow 自定义 损失函数

git: https://github.com/linyi0604/MachineLearning/tree/master/07_tensorflow/

 import tensorflow as tf
 from numpy.random import RandomState

 '''
 模拟一个回归案例
 自定义一个损失函数为:
     当真实值y_更大的时候 loss = a(y_ - y)
     当预测值y更大的时候  loss = b(y - y_)

 loss_less = 10
 loss_more = 1
 loss = tf.reduce_sum(
     tf.where(
         tf.greater(y, y_),
         (y - y_) * loss_more,
         (y_ - y) * loss_less
     ))

 tf.reduce_sum()    求平均数
 tf.where(condition, a, b)   condition为真时返回a 否则返回b
 tf.grater(a, b)     a>b时候返回真 否则返回假

 '''

 # 一批运算的数据数量
 batch_size = 8

 # 输入数据有两列特征
 x = tf.placeholder(tf.float32, shape=[None, 2], name="x-input")
 # 输入的真实值
 y_ = tf.placeholder(tf.float32, shape=[None, 1], name="y-input")

 # 定义一个单层神经网络 前向传播的过程
 # 权重变量 2*1维度 方差为1 均值为0 种子变量使得每次运行生成同样的随机数
 w1 = tf.Variable(tf.random_normal([2, 1], stddev=1, seed=1))

 # 计算过程
 y = tf.matmul(x, w1)

 # 自定义损失函数部分
 loss_less = 10
 loss_more = 1
 loss = tf.reduce_sum(
     tf.where(
         tf.greater(y, y_),
         (y - y_) * loss_more,
         (y_ - y) * loss_less
     ))

 # 训练内容 训练速度0.001 让loss最小
 train_step = tf.train.AdamOptimizer(0.001).minimize(loss)

 # 生成随机数作为训练数据
 rdm = RandomState(1)
 dataset_size = 128
 X = rdm.rand(dataset_size, 2)
 # 预测的正确至设置为两个特征加和 加上一个噪音
 # 不设置噪音 预测的意义就不大了
 # 噪音设置为均值为0的极小量
 Y = [[x1 + x2 + rdm.rand()/10.0-0.05] for (x1, x2) in X]

 # 开启会话训练
 with tf.Session() as sess:
     init_op = tf.initialize_all_variables()
     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))

 '''
 [[1.019347 ]
  [1.0428089]]
 '''

41 # 自定义损失函数部分
42 loss_less = 10
43 loss_more = 1
44 loss = tf.reduce_sum(
45     tf.where(
46         tf.greater(y, y_),
47         (y - y_) * loss_more,
48         (y_ - y) * loss_less
49     ))

这里自定义损失的时候，如果结果少了损失权重为10， 多了损失权重为1
预测结果 w1 为 [[1.02],[1.04]] ， 所以结果预测偏向多于x1+x2， 因为多的话，损失少