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
讲解Python中的递归函数
Apr 27 Python
搞笑的程序猿:看看你是哪种Python程序员
Jun 12 Python
Python3生成手写体数字方法
Jan 30 Python
使用Python爬了4400条淘宝商品数据,竟发现了这些“潜规则”
Mar 23 Python
python 绘制拟合曲线并加指定点标识的实现
Jul 10 Python
python3 enum模块的应用实例详解
Aug 12 Python
Python中*args和**kwargs的区别详解
Sep 17 Python
Python decimal模块使用方法详解
Jun 08 Python
opencv 阈值分割的具体使用
Jul 08 Python
Python使用Selenium模拟浏览器自动操作功能
Sep 08 Python
Python 数据分析之逐块读取文本的实现
Dec 14 Python
Python爬虫回测股票的实例讲解
Jan 22 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
php引用返回与取消引用的详解
2013/06/08 PHP
基于PHP的简单采集数据入库程序【续篇】
2014/07/30 PHP
PHP递归复制、移动目录的自定义函数分享
2014/11/18 PHP
PHP中实现获取IP和地理位置类分享
2015/02/10 PHP
php编译安装php-amq扩展简明教程
2016/06/25 PHP
PHP不使用递归的无限级分类简单实例
2016/11/05 PHP
扩展String功能方法
2006/09/22 Javascript
javascript显示隐藏层比较不错的方法分析
2008/09/30 Javascript
JavaScript Timer实现代码
2010/02/17 Javascript
菜鸟学习JavaScript小实验之函数引用
2010/11/17 Javascript
Js 导出table内容到Excel的简单实例
2013/11/19 Javascript
Jquery 监视按键,按下回车键触发某方法的实现代码
2014/05/11 Javascript
用Node.js通过sitemap.xml批量抓取美女图片
2015/05/28 Javascript
基于jQuery实现多层次的手风琴效果附源码
2015/09/21 Javascript
javascript小数精度丢失的完美解决方法
2016/05/31 Javascript
JS事件添加和移出的兼容写法示例
2016/06/20 Javascript
JS返回只包含数字类型的数组实例分析
2016/12/16 Javascript
干货!教大家如何选择Vue和React
2017/03/13 Javascript
javascript实现动态显示颜色块的报表效果
2017/04/10 Javascript
Bootstrap fileinput文件上传预览插件使用详解
2017/05/16 Javascript
wxPython使用系统剪切板的方法
2015/06/16 Python
python 矢量数据转栅格数据代码实例
2019/09/30 Python
解决pycharm 安装numpy失败的问题
2019/12/05 Python
python装饰器原理与用法深入详解
2019/12/19 Python
python反编译教程之2048小游戏实例
2021/03/03 Python
C#笔试题
2015/07/14 面试题
Linux中如何用命令创建目录
2015/01/12 面试题
毕业生的自我鉴定该怎么写
2013/12/02 职场文书
颂军魂爱军营演讲稿
2014/09/13 职场文书
乡党政领导班子群众路线教育实践活动个人对照检查材料
2014/09/20 职场文书
2014年移动公司工作总结
2014/12/08 职场文书
自我工作评价范文
2015/03/06 职场文书
毕业论文致谢词
2015/05/14 职场文书
升学宴学生致辞
2015/07/27 职场文书
如何拟写通知正文?
2019/04/02 职场文书
Apache Pulsar结合Hudi构建Lakehouse方案分析
2022/03/31 Servers