8.paddlepaddle之loss损失函数自定义

1.前言

损失函数是是用来估量你模型的预测值f(x)与真实值Y的不一致程度。

不同的损失函数对模型拟合会有不同的效果，损失函数越小，一般模型的鲁棒性就越好。

在深度学习中，我们经常需要调整损失函数来达到一些效果倾斜的目的。

2.十行代码自定义损失函数

import paddle
class MyLoss(paddle.nn.Layer):
    def __init__(self):
        super().__init__()

    def forward(self, x, label):
        # 使用paddle内置的cross_entropy算子实现算法
        loss = paddle.nn.functional.cross_entropy(x,label)
        label = paddle.cast(label[0],dtype='float32')
        loss1 = paddle.nn.functional.square_error_cost(x[:,1],label)
        loss = 0.7*loss + 0.3*loss1
        return loss

如上，一个二分类问题，我们即使用了交叉熵损失，又使用了均方损失，并赋予两个损失不同的权重。

由于交叉熵损失与均方损失需要的输入不一样，所以对label进行了cast处理。

下面验证一下：

myloss = MyLoss()
x = paddle.to_tensor([[0.0,0.9]])
label = paddle.to_tensor([[1]])
loss = myloss(x,label)
print(loss)
loss.backward()

打印结果：Tensor(shape=[1], dtype=float32, place=Place(cpu), stop_gradie