损失函数

Python 中的 TensorFlow 入门

Isaiah Hull

Visiting Associate Professor of Finance, BI Norwegian Business School

损失函数简介

重要的 tensorflow 操作
- 用于训练模型
- 衡量模型拟合度
值越高 → 拟合越差
- 需最小化损失函数

TensorFlow 中的常见损失函数

TensorFlow 提供常见损失的运算
- 均方误差（MSE）
- 平均绝对误差（MAE）
- Huber 损失
在 tf.keras.losses() 中可用
- tf.keras.losses.mse()
- tf.keras.losses.mae()
- tf.keras.losses.Huber()

为何关注损失函数？

此图展示了在 -2 到 2 区间内的 MSE、MAE 和 Huber 损失曲线。

MSE
- 对离群点惩罚更强
- 在最小值附近梯度更敏感
MAE
- 与误差大小线性增长
- 在最小值附近敏感度低
Huber
- 最小值附近像 MSE
- 远离最小值像 MAE

定义损失函数

# Import TensorFlow under standard alias
import tensorflow as tf

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

定义损失函数

# 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)

定义损失函数

# 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

Vamos praticar!

Python 中的 TensorFlow 入门