[深度之眼]TensorFlow2.0項目班-迴歸模型之自定義loss

常用的損失函數
分類問題：交叉熵 （CE，Cross Entropy）
迴歸問題：均方根誤差 （MSE，Mean Square Error）

以一個簡單的例子實現自定義loss
假設某商品銷售金額僅由變量x1和x2確定（y=x1+x2+噪聲）
用到以下tf函數：

tf.where(條件，a，b)  # 條件爲真返回a，條件爲假返回b
tf.greater(a,b)      # 比大小，a>b 返回真，a<=b 返回假

代碼：

import tensorflow as tf
import numpy as np

seed = 6
cost = 1
profit = 99

rdm = np.random.RandomState(seed)
x = rdm.rand(32, 2)
y_ = [[x1 + x2 + (rdm.rand() / 10.0 - 0.05)] for (x1, x2) in x]  # 生成噪聲
x = tf.cast(x, dtype=tf.float32)

w = tf.Variable(tf.random.normal([2, 1], stddev=1, seed=1))

epoch = 10000
lr = 0.002

for epoch in range(epoch):
    with tf.GradientTape() as tape:
        y = tf.matmul(x, w)
        # loss = tf.reduce_mean(tf.square(y_ - y))  均方根誤差損失函數
        loss = tf.reduce_sum(tf.where(tf.greater(y, y_), (y - y_) * cost, (y_ - y) * profit))  # 自定義損失函數，greater爲比大小函數

    grads = tape.gradient(loss, w)
    w.assign_sub(lr * grads)

    if epoch % 500 == 0:
        print("After %d training steps,w is " % (epoch))
        print(w.numpy(), "\n")
print("Final w is: ", w.numpy())

若不考慮 成本cost 和 利潤profit，以均方根誤差爲損失函數，訓練結果如下：
十分接近預先設置的 y=x1+x2

若考慮成本和利潤，多生產虧錢，少生產少賺錢
假設商品成本爲1，利潤爲99（暴利），按理說多生產一些更好，用自定義損失函數訓練結果如下：

符合預先設想，x1和x2均大於1