ฟังก์ชันการสูญเสีย

TensorFlow เบื้องต้นใน Python

Isaiah Hull

Visiting Associate Professor of Finance, BI Norwegian Business School

แนะนำฟังก์ชันการสูญเสีย

การดำเนินการพื้นฐานใน tensorflow
- ใช้สำหรับฝึกโมเดล
- วัดความเหมาะสมของโมเดล
ค่าสูง -> ความเหมาะสมต่ำ
- ลดค่าฟังก์ชันการสูญเสียให้น้อยที่สุด

ฟังก์ชันการสูญเสียทั่วไปใน TensorFlow

TensorFlow มีฟังก์ชันการสูญเสียทั่วไปให้พร้อมใช้
- Mean squared error (MSE)
- Mean absolute error (MAE)
- Huber error
เรียกใช้ฟังก์ชันการสูญเสียผ่าน tf.keras.losses()
- tf.keras.losses.mse()
- tf.keras.losses.mae()
- tf.keras.losses.Huber()

ทำไมต้องสนใจฟังก์ชันการสูญเสีย?

ภาพแสดงกราฟของฟังก์ชันการสูญเสีย mse, mae และ huber ในช่วง -2 ถึง 2

MSE
- ลงโทษค่าผิดปกติอย่างรุนแรง
- ความไว (gradient) สูงบริเวณจุดต่ำสุด
MAE
- สเกลเชิงเส้นตามขนาดของความคลาดเคลื่อน
- ความไวต่ำบริเวณจุดต่ำสุด
Huber
- คล้าย MSE บริเวณจุดต่ำสุด
- คล้าย MAE เมื่อห่างจากจุดต่ำสุด

การกำหนดฟังก์ชันการสูญเสีย

# Import TensorFlow under standard alias
import tensorflow as tf

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

การกำหนดฟังก์ชันการสูญเสีย

# 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)

การกำหนดฟังก์ชันการสูญเสีย

# 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

มาฝึกกันเถอะ!

TensorFlow เบื้องต้นใน Python