TensorFlow自定义损失函数来预测商品销售量


Posted in Python onFebruary 05, 2020

在预测商品销量时,如果预测多了(预测值比真实销量大),商家损失的是生产商品的成本;而如果预测少了(预测值比真实销量小),损失的则是商品的利润。因为一般商品的成本和商品的利润不会严格相等,比如如果一个商品的成本是1元,但是利润是10元,那么少预测一个就少挣10元;而多预测一个才少挣1元,所以如果神经网络模型最小化的是均方误差损失函数,那么很有可能此模型就无法最大化预期的销售利润。

为了最大化预期利润,需要将损失函数和利润直接联系起来,需要注意的是,损失函数定义的是损失,所以要将利润最大化,定义的损失函数应该刻画成本或者代价,下面的公式给出了一个当预测多于真实值和预测少于真实值时有不同损失系数的损失函数:

TensorFlow自定义损失函数来预测商品销售量

其中,yi为一个batch中第i个数据的真实值,yi'为神经网络得到的预测值,a和b是常量,比如在上面介绍的销量预测问题中,a就等于10 (真实值多于预测值的代价),而b等于1 (真实值少于预测值的代价)。

通过对这个自定义损失函数的优化,模型提供的预测值更有可能最大化收益,在TensorFlow中,可以通过以下代码来实现这个损失函数:

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

①tf.greater函数的输入是两个张量,此函数会比较这两个输入张量中每一个元素的大小,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(broadcasting)的处理;

②tf.where函数有三个参数,第一个为选择条件,当选择条件为True时,tf.where函数会选择第二个参数中的值,否则使用第三个参数中的值,需要注意的是,tf.where函数的判断和选择都是在元素级别进行的。

接下来使用一段TensorFlow代码展示这两个函数的使用:

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)))
 '''输出结果为:
 [False False True True]
 [4. 3. 3. 4.]'''

在了解如何使用这两个函数之后,我们来看一看刚才的预测商品销售量的实例如何通过具体的TensorFlow代码实现:

import tensorflow as tf
from numpy.random import RandomState

#声明wl、W2两个变量,通过seed参数设定了随机种子,这样可以保证每次运行得到的结果是一样的
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")

#定义神经网络结构
y = tf.matmul(x, w)

#定义真实值与预测值之间的交叉熵损失函数,来刻画真实值与预测值之间的差距
loss_less = 10
loss_more = 1
loss = tf.reduce_sum(tf.where(tf.greater(y_, y), (y_ - y) * loss_less, (y - y_) * loss_more))

#定义反向传播算法的优化方法
train_step = tf.train.AdamOptimizer(learning_rate=0.001).minimize(loss)

#设置随机数种子
rdm = RandomState(seed=1)
#设置随机数据集大小
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]

#创建会话
with tf.Session() as sess:
 #初始化变量
 init_op = tf.global_variables_initializer()
 sess.run(init_op)
 
 print(sess.run(w))
 
 #设置batch训练数据的大小
 batch_size = 8
 #设置训练得轮数
 STEPS = 5000
 for i in range(STEPS):
  #每次选取batch_size个样本进行训练
  start = (i * batch_size) % dataset_size
  end = min(start + batch_size, dataset_size)

  #通过选取的样本训练神经网络并更新参数
  sess.run(train_step, feed_dict={x:X[start:end], y_:Y[start:end]})
 
 print(sess.run(w))
 '''输出结果为:
 [[-0.8113182]
 [ 1.4845988]]
 [[1.019347 ]
 [1.0428089]]'''

可以看到参数w优化后,预测函数为1.019347 * x1 + 1.0428089 * x2,显然是大于实际的预测函数x1 + x2的,这是因为我们的损失函数中指定预测少了的损失更大(loss_less > loss_more),所以模型会偏向于预测多一点。

如果我们更换代码,改为:

loss_less = 1
loss_more = 10

那么我们的结果就会变为:

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

预测函数变为了0.95561105 * x1 + 0.98101896 * x2,可以看到这时候模型就会偏向于预测少一点。

因此,我们可以得出结论:对于相同的神经网络,不同的损失函数会对训练得到的模型产生不同效果。

总结

以上所述是小编给大家介绍的TensorFlow自定义损失函数来预测商品销售量,希望对大家有所帮助!

Python 相关文章推荐
python 获取文件列表(或是目录例表)
Mar 25 Python
Python中pygame的mouse鼠标事件用法实例
Nov 11 Python
python实现识别相似图片小结
Feb 22 Python
使用Python编写基于DHT协议的BT资源爬虫
Mar 19 Python
python 运用Django 开发后台接口的实例
Dec 11 Python
python字符串切割:str.split()与re.split()的对比分析
Jul 16 Python
Python中的self用法详解
Aug 06 Python
对Pytorch中Tensor的各种池化操作解析
Jan 03 Python
python如何代码集体右移
Jul 20 Python
pyqt5实现井字棋的示例代码
Dec 07 Python
python使用openpyxl库读写Excel表格的方法(增删改查操作)
May 02 Python
详解OpenCV获取高动态范围(HDR)成像
Apr 29 Python
解决Tensorflow 内存泄露问题
Feb 05 #Python
TensorFlow实现指数衰减学习率的方法
Feb 05 #Python
关于Tensorflow使用CPU报错的解决方式
Feb 05 #Python
解决Tensorflow sess.run导致的内存溢出问题
Feb 05 #Python
解决TensorFlow训练内存不断增长,进程被杀死问题
Feb 05 #Python
浅谈tensorflow之内存暴涨问题
Feb 05 #Python
对Tensorflow中Device实例的生成和管理详解
Feb 04 #Python
You might like
CentOS 6.2使用yum安装LAMP以及phpMyadmin详解
2013/06/17 PHP
php读取目录及子目录下所有文件名的方法
2014/10/20 PHP
分享php分页的功能模块
2015/06/16 PHP
WordPress中获取指定分类及其子分类下的文章数目
2015/12/31 PHP
PHP简单判断字符串是否包含另一个字符串的方法
2016/03/25 PHP
PHP环境搭建(php+Apache+mysql)
2016/11/14 PHP
PHP中$GLOBALS与global的区别详解
2019/03/21 PHP
Prototype1.6 JS 官方下载地址
2007/11/30 Javascript
jquery左边浮动到一定位置时显示返回顶部按钮
2014/06/05 Javascript
angularjs实现与服务器交互分享
2014/06/24 Javascript
js获取json元素数量的方法
2015/01/27 Javascript
JS构造函数与原型prototype的区别介绍
2016/07/04 Javascript
微信小程序 122100版本更新问题解决方案
2016/12/22 Javascript
jQuery中的一些小技巧
2017/01/18 Javascript
node中的cookie的具体使用
2018/09/13 Javascript
详解微信小程序缓存--缓存时效性
2019/05/02 Javascript
VUE安装使用教程详解
2019/06/03 Javascript
Vue将页面导出为图片或者PDF
2020/08/17 Javascript
JS实现的碰撞检测与周期移动完整示例
2019/09/02 Javascript
vue添加自定义右键菜单的完整实例
2020/12/08 Vue.js
[44:39]2014 DOTA2国际邀请赛中国区预选赛 NE VS CNB
2014/05/21 DOTA
Python如何实现守护进程的方法示例
2017/02/08 Python
Python基于xlrd模块操作Excel的方法示例
2018/06/21 Python
python format 格式化输出方法
2018/07/16 Python
python 实现对文件夹中的图像连续重命名方法
2018/10/25 Python
python爬取微信公众号文章的方法
2019/02/26 Python
Python运行异常管理解决方案
2020/03/09 Python
美国百货齐全的精品网站,提供美式风格的产品:Overstock.com
2016/07/22 全球购物
你所知道的集合类都有哪些?主要方法?
2012/12/31 面试题
创业计划书——互联网商机
2014/01/12 职场文书
国际经济与贸易专业大学生职业规划书
2014/03/01 职场文书
委托书范本
2014/04/02 职场文书
2014年打非治违工作总结
2014/11/13 职场文书
档案接收函格式
2015/01/30 职场文书
《中华上下五千年》读后感3篇
2019/11/29 职场文书
python使用opencv对图像添加噪声(高斯/椒盐/泊松/斑点)
2022/04/06 Python