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
qpython3 读取安卓lastpass Cookies
Jun 19 Python
机器学习的框架偏向于Python的13个原因
Dec 07 Python
django允许外部访问的实例讲解
May 14 Python
python实战教程之自动扫雷
Jul 13 Python
TensorFlow Session会话控制&Variable变量详解
Jul 30 Python
对python中的 os.mkdir和os.mkdirs详解
Oct 16 Python
Django框架视图介绍与使用详解
Jul 18 Python
python实现通过队列完成进程间的多任务功能示例
Oct 28 Python
Python使用urllib模块对URL网址中的中文编码与解码实例详解
Feb 18 Python
利用 PyCharm 实现本地代码和远端的实时同步功能
Mar 23 Python
python使用pymongo与MongoDB基本交互操作示例
Apr 09 Python
golang特有程序结构入门教程
Jun 02 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
40年前的这部特摄片恐龙特级克塞号80后的共同回忆
2020/03/08 日漫
php微信开发之自定义菜单完整流程
2016/10/08 PHP
PHP实现微信图片上传到服务器的方法示例
2017/06/29 PHP
从新浪弄下来的全屏广告代码 与使用说明
2007/03/15 Javascript
jquery 图片截取工具jquery.imagecropper.js
2010/04/09 Javascript
JavaScript 面向对象编程(1) 基础
2010/05/18 Javascript
Nodejs实现的一个简单udp广播服务器、客户端
2014/09/25 NodeJs
Javascript 读取操作Sql中的Xml字段
2014/10/09 Javascript
浅析jQuery 3.0中的Data
2016/06/14 Javascript
百度多文件异步上传控件webuploader基本用法解析
2016/11/07 Javascript
javascript垃圾收集机制的原理分析
2016/12/08 Javascript
es7学习教程之fetch解决异步嵌套问题的方法示例
2017/07/21 Javascript
vue filters的使用详解
2018/06/11 Javascript
vue.js实现的绑定class操作示例
2018/07/06 Javascript
angular6的table组件开发的实现示例
2018/12/26 Javascript
详解vue.js移动端配置flexible.js及注意事项
2019/04/10 Javascript
mock.js模拟数据实现前后端分离
2019/07/24 Javascript
[00:10]神之谴戒
2019/03/06 DOTA
Python调用C/C++动态链接库的方法详解
2014/07/22 Python
python根据出生日期获得年龄的方法
2015/03/31 Python
Python常用算法学习基础教程
2017/04/13 Python
Python操作csv文件实例详解
2017/07/31 Python
python+opencv实现动态物体识别
2018/01/09 Python
python os用法总结
2018/06/08 Python
python面试题之列表声明实例分析
2019/07/08 Python
通过python实现windows桌面截图代码实例
2020/01/17 Python
python 两个一样的字符串用==结果为false问题的解决
2020/03/12 Python
Python selenium键盘鼠标事件实现过程详解
2020/07/28 Python
css3.0新属性效果在ie下的解决方案
2010/05/10 HTML / CSS
HTML5 Canvas中绘制椭圆的4种方法
2015/04/24 HTML / CSS
洲际酒店集团英国官网:IHG英国
2019/07/10 全球购物
Java多态性的定义以及类型
2014/09/16 面试题
本科生的职业生涯规划范文
2014/01/09 职场文书
安全生产网格化管理实施方案
2014/03/01 职场文书
python自动化测试之Selenium详解
2022/03/13 Python
python中validators库的使用方法详解
2022/09/23 Python