(Tensorflow 2.x) 커스텀 Loss function

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69

import numpy as np import tensorflow as tf import matplotlib.pyplot as plt from keras import backend as K   from tensorflow.keras.models import Sequential, Model from tensorflow.keras.layers import Input, Flatten, Dense, Dropout, Conv2D, MaxPooling2D from tensorflow.keras.datasets import boston_housing     # 손실함수 정의 def custom_loss(y_true, y_pred):       y_true = y_true ** 2     y_pred = y_pred ** 2       loss = K.mean(K.square(y_true - y_pred))       return loss     # metric 정의 def custom_metric(y_true, y_pred):     return K.mean(K.abs(y_true - y_pred))     # 데이터셋 생성 및 정규화 # 특성별로 상이한 스케일을 가지게 되면 학습이 어려워진다. (x_train, y_train), (x_test, y_test) = boston_housing.load_data()   print(x_train.shape, y_train.shape)  # (404, 13) (404,) print(x_test.shape, y_test.shape)  # (102, 13) (102,)   mean = x_train.mean(axis=0)  # 각 특성에 대해 평균을 빼고, 표준편차로 나눈다. x_train -= mean std = x_train.std(axis=0) x_train /= std   x_test -= mean x_test /= std     def make_model():       input = Input(shape=(13,))       x = Dense(64, activation='relu', input_shape=(13,))(input)     x = Dense(64, activation='relu')(x)     output = Dense(1)(x)       made_model = Model(inputs=input, outputs=output)       return made_model     model = make_model() model.compile(loss=custom_loss, optimizer=tf.keras.optimizers.Adam(), metrics=[custom_metric])   history = model.fit(x_train, y_train, validation_split=0.2, batch_size=64, epochs=50)   model.evaluate(x_test, y_test)   plt.plot(history.history['loss']) plt.plot(history.history['val_loss']) plt.xlabel('epoch') plt.ylabel('loss') plt.legend(['train', 'validation'], loc='best') plt.show()   Colored by Color Scripter

cs

 

위 소스코드를 실행시키면 아래와 같은 출력값을 얻을 수 있다.