Hàm mất mát

Nhập môn TensorFlow bằng Python

Isaiah Hull

Visiting Associate Professor of Finance, BI Norwegian Business School

Giới thiệu về hàm mất mát

Thao tác cốt lõi của tensorflow
- Dùng để huấn luyện mô hình
- Đo độ phù hợp của mô hình
Giá trị cao -> khớp kém
- Cần tối thiểu hóa hàm mất mát

Các hàm mất mát phổ biến trong TensorFlow

TensorFlow có các hàm mất mát phổ biến
- Sai số bình phương trung bình (MSE)
- Sai số tuyệt đối trung bình (MAE)
- Huber
Truy cập qua tf.keras.losses()
- tf.keras.losses.mse()
- tf.keras.losses.mae()
- tf.keras.losses.Huber()

Vì sao cần quan tâm đến hàm mất mát?

Hình minh họa các hàm mất mát MSE, MAE và Huber trên khoảng -2 đến 2.

MSE
- Phạt mạnh ngoại lệ
- Độ nhạy (gradient) cao gần điểm tối thiểu
MAE
- Tỉ lệ tuyến tính với độ lớn sai số
- Độ nhạy thấp gần điểm tối thiểu
Huber
- Giống MSE gần điểm tối thiểu
- Giống MAE khi xa điểm tối thiểu

Định nghĩa hàm mất mát

# Import TensorFlow under standard alias
import tensorflow as tf

# Compute the MSE loss
loss = tf.keras.losses.mse(targets, predictions)

Định nghĩa hàm mất mát

# Define a linear regression model
def linear_regression(intercept, slope = slope, features = features):
    return intercept + features*slope

# Define a loss function to compute the MSE
def loss_function(intercept, slope, targets = targets, features = features):
    # Compute the predictions for a linear model
    predictions = linear_regression(intercept, slope)

    # Return the loss
    return tf.keras.losses.mse(targets, predictions)

Tính hàm mất mát

# Compute the loss for test data inputs
loss_function(intercept, slope, test_targets, test_features)

10.77

# Compute the loss for default data inputs
loss_function(intercept, slope)

5.43

Ayo berlatih!

Nhập môn TensorFlow bằng Python