1 損失函數(shù)

定義：將隨機事件或其有關(guān)隨機變量的取值映射為非負實數(shù)以表示該隨機事件的“風(fēng)險”或“損失”的函數(shù)。
應(yīng)用：作為學(xué)習(xí)準則與優(yōu)化問題相聯(lián)系，即通過最小化損失函數(shù)求解和評估模型。
分類：回歸問題、分類問題

2 回歸問題的損失函數(shù)

首先創(chuàng)建預(yù)測序列和目標序列作為張量
預(yù)測序列是(-1,1)的等差數(shù)列，目標值為0

sess = tf.Session() x_vals = tf.linspace(-1.,1.,500) target = tf.constant(0.)

2.1 L2正則損失函數(shù)

$$L=\sum _{i=1}^n(targe{t}_i?f(x_i){)}^2\text{\hspace{1em}(1)}$$
L2正則損失函數(shù)又稱歐拉損失函數(shù)，是預(yù)測值$f(x_i)$與目標值$targe{t}_i$差值的平方和。
L2正則損失函數(shù)是非常有用的損失函數(shù)，因為它在目標值附近有更好的曲度。
機器學(xué)習(xí)算法利用這點收斂，并且離目標越近收斂越慢。

l2 = tf.square(target - vals)

2.2 L1正則損失函數(shù)

$$L=\sum _{i=1}^n|targe{t}_i?f(x_i)|\text{\hspace{1em}(2)}$$
L1正則損失函數(shù)又稱絕對值損失函數(shù)，區(qū)別是L2是對差值求絕對值。
L1正則損失函數(shù)在目標值附近不平滑，不能很好地收斂。

l1 = tf.abs(target - vals)

2.3 Pseudo-Huber損失函數(shù)

Pseudo-Huber損失函數(shù)是Huber損失函數(shù)的連續(xù)、平滑估計。
它試圖利用L1和L2正則削減極值處的陡峭，使得目標值附近連續(xù)。
這個函數(shù)在目標附近是凸的，并且對數(shù)據(jù)中的游離點較不敏感。
具有上述的兩個損失函數(shù)的優(yōu)點。需要一個額外的參數(shù)delta決定曲線的斜率。
它的表達式依賴參數(shù)$\delta$。后面會圖示${\delta }_1=0.25$和${\delta }_2=5$的區(qū)別：

delta1 = tf.constant(0.25) ph_y_vals1 = tf.multiply(tf.square(delta1), tf.sqrt(1. +tf.square(target - x_vals)/delta1) - 1.) delta2 = tf.constant(5) ph_y_vals2 = tf.multiply(tf.square(delta1), tf.sqrt(1. +tf.square(target - x_vals)/delta1) - 1.)

3 分類問題的損失函數(shù)

3.1 Hinge損失函數(shù)

Hinge損失函數(shù)主要用來評估SVM算法，但有時也用來評估神經(jīng)網(wǎng)絡(luò)算法。
在本例中是計算兩個目標類(-1,1)之間的損失。
下面的代碼中，使用目標值1，所以預(yù)測值離1越近，損失函數(shù)值越小：

hinge_y_vals = tf.maximum(0.,1.-tf.multiply(target,x_vals)) hinge_y_out = sess.run(hinge_y_vals)

3.2 兩類交叉熵損失函數(shù)

兩類交叉熵損失函數(shù)又叫邏輯損失函數(shù)
當預(yù)測兩類目標0或者1時，希望度量預(yù)測值到真實分類值（0或者1）的距離，
這個距離經(jīng)常是0到1之間的實數(shù)。為了度量這個距離，可以使用信息論中的交叉熵

ce_y_vals = -tf.multiply(target, tf.log(x_vals)-tf.multiply((1.-target),tf.log(1.-x_vals))) ce_y_out = sess.run(ce_y_vals)

3.3 sigmoid交叉熵損失函數(shù)

sigmoid交叉熵損失函數(shù)與上一個損失函數(shù)非常類似，
不同的是，它先把x_vals值通過sigmoid函數(shù)轉(zhuǎn)換，再計算交叉熵損失

sigmoid_y_vals = tf.nn.sigmoid_cross_entropy_with_logits(logits=x_vals,labels=targets) sigmoid_y_out = sess.run(sigmoid_y_vals)

3.4 加權(quán)交叉熵損失函數(shù)

加權(quán)交叉熵損失函數(shù)是Sigmoid交叉熵損失函數(shù)的加權(quán)，對正目標加權(quán)。
下面的例子中將正目標加權(quán)權(quán)重設(shè)為0.5

weight = tf.constant(0.5) ce_weighted_y_vals = tf.nn.weighted_cross_entropy_with_logits(x_vals, targets, weight) ce_weighted_y_out = sess.run(ce_weighted_y_vals)

3.5 Softmax交叉熵損失函數(shù)

Softmax交叉熵損失函數(shù)只針對單個目標分類的計算損失。
通過softmax函數(shù)將輸出結(jié)果轉(zhuǎn)化成概率分布，然后計算真值概率分布的損失。

unscaled_logits = tf.constant([[1.,-3.,10.]]) target_dist = tf.constant([[0.1,0.02,0.88]]) softmax_xentropy = tf.nn.softmax_cross_entropy_with_logits(logits=unscaled_logits,labels=target_dist) print(sess.run(softmax_xentropy))

3.6 稀疏Softmax交叉熵損失函數(shù)

稀疏Softmax交叉熵損失函數(shù)和上一個損失函數(shù)類似
它把目標分類為true的轉(zhuǎn)化成index
而Softmax交叉熵損失函數(shù)將目標轉(zhuǎn)成概率分布

unscaled_logits = tf.constant([[1.,-3.,10.]]) sparse_target_dist = tf.constant([2]) sparse_xentropy = tf.nn.sparse_softmax_cross_entropy_with_logits(logits=unscaled_logits,labels=sparse_target_dist) print(sess.run(sparse_xentropy))

4 matplotlib繪制損失函數(shù)

x_array = sess.run(x_vals) plt.plot(x_array,l2_y_out,'b-',label='L2 Loss') plt.plot(x_array,l1_y_out,'r--',label='L1 Loss') plt.plot(x_array,ph_y_out1,'k-.',label='PH Loss(0.25)') plt.plot(x_array,ph_y_out2,'g:',label='PH Loss(5.0)') plt.ylim(-0.2,0.4) plt.legend(loc='lower right', prop={'size':11}) plt.show()# 三、matplotlib繪制分類算法的損失函數(shù) plt.plot(x_array,hinge_y_out,'b-',label='Hinge Loss') plt.plot(x_array,ce_y_out,'r--',label='Cross Entropy Loss') plt.plot(x_array,sigmoid_y_out,'k-',label='Cross Entropy Sigmoid Loss') plt.plot(x_array,ce_weighted_y_out,'g:',label='Weighted Cross Entropy Loss(0.5)') plt.ylim(-1.5,3) plt.legend(loc='lower right',prop={'size':11}) plt.show()

4.1 回歸算法的損失函數(shù)圖像

4.2 分類算法的損失函數(shù)圖像

總結(jié)

以上是生活随笔為你收集整理的【TensorFlow】常用的损失函数及其TensorFlow实现的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。