git: https://github.com/linyi0604/MachineLearning/tree/master/07_tensorflow/

 1 import tensorflow as tf
 2 from numpy.random import RandomState
 3 
 4 '''
 5 模拟一个回归案例
 6 自定义一个损失函数为:
 7     当真实值y_更大的时候 loss = a(y_ - y)
 8     当预测值y更大的时候  loss = b(y - y_)
 9     
10     
11 loss_less = 10
12 loss_more = 1
13 loss = tf.reduce_sum(
14     tf.where(
15         tf.greater(y, y_),
16         (y - y_) * loss_more,
17         (y_ - y) * loss_less
18     ))
19     
20 tf.reduce_sum()    求平均数
21 tf.where(condition, a, b)   condition为真时返回a 否则返回b
22 tf.grater(a, b)     a>b时候返回真 否则返回假
23     
24 '''
25 
26 # 一批运算的数据数量
27 batch_size = 8
28 
29 # 输入数据有两列特征
30 x = tf.placeholder(tf.float32, shape=[None, 2], name="x-input")
31 # 输入的真实值
32 y_ = tf.placeholder(tf.float32, shape=[None, 1], name="y-input")
33 
34 # 定义一个单层神经网络 前向传播的过程
35 # 权重变量 2*1维度 方差为1 均值为0 种子变量使得每次运行生成同样的随机数
36 w1 = tf.Variable(tf.random_normal([2, 1], stddev=1, seed=1))
37 
38 # 计算过程
39 y = tf.matmul(x, w1)
40 
41 # 自定义损失函数部分
42 loss_less = 10
43 loss_more = 1
44 loss = tf.reduce_sum(
45     tf.where(
46         tf.greater(y, y_),
47         (y - y_) * loss_more,
48         (y_ - y) * loss_less
49     ))
50 
51 # 训练内容 训练速度0.001 让loss最小
52 train_step = tf.train.AdamOptimizer(0.001).minimize(loss)
53 
54 
55 # 生成随机数作为训练数据
56 rdm = RandomState(1)
57 dataset_size = 128
58 X = rdm.rand(dataset_size, 2)
59 # 预测的正确至设置为两个特征加和 加上一个噪音
60 # 不设置噪音 预测的意义就不大了
61 # 噪音设置为均值为0的极小量
62 Y = [[x1 + x2 + rdm.rand()/10.0-0.05] for (x1, x2) in X]
63 
64 # 开启会话训练
65 with tf.Session() as sess:
66     init_op = tf.initialize_all_variables()
67     sess.run(init_op)
68     STEPS = 5000
69     for i in range(STEPS):
70         start = (i * batch_size) % dataset_size
71         end = min(start + batch_size, dataset_size)
72         sess.run(
73             train_step,
74             feed_dict={
75                 x: X[start: end],
76                 y_: Y[start: end],
77             }
78         )
79     print(sess.run(w1))
80 
81 '''
82 [[1.019347 ]
83  [1.0428089]]
84 '''

41 # 自定义损失函数部分
42 loss_less = 10
43 loss_more = 1
44 loss = tf.reduce_sum(
45     tf.where(
46         tf.greater(y, y_),
47         (y - y_) * loss_more,
48         (y_ - y) * loss_less
49     ))

这里自定义损失的时候，如果结果少了损失权重为10， 多了损失权重为1
预测结果 w1 为 [[1.02],[1.04]] ， 所以结果预测偏向多于x1+x2， 因为多的话，损失少