python - 张量流中的保真度自定义损失函数 - 输入形状问题

Question

作为多目标基本神经网络（到目前为止，GRU）的一部分，我在输入自定义损失函数时遇到问题。

我有一个多目标函数，它将扁平 (,16) 形状 (4x4) 矩阵（“输入矩阵”）作为输入，并生成 10 个 4x4 矩阵序列（通过扁平输出形状 (,160) 表示）作为使用“mse”损失的第一个目标。模型的这一部分，data.lab作为训练数据和inputreshape标签数据工作正常。作为第二个目标，我需要将此 (,160) 张量转换为 (10,4,4) 张量（重塑为 10 个 4x4 矩阵），然后将它们组合在一起以获得 (4,4) 矩阵“输出矩阵”（通过 productlayer 自定义层完成）。然后需要将此输出矩阵输入到一个函数中，以通过自定义损失函数“fidelity2”通过与来自 的原始输入进行比较来计算“保真度” data.lab。我通过输入来做到这一点data.lab第二次，但现在作为一个标签。但是（1）model.summary（）似乎显示productlayer的输出是（4,4），而我认为它应该是（None,4,4）和（2）我收到错误：

InvalidArgumentError: In[0] is not a matrix. Instead it has shape [10,4,4] [[{{node loss_7/fidout_loss/ArithmeticOptimizer/FoldTransposeIntoMatMul_matmul}}]]

自定义损失函数中的 y_true 似乎是从 model.fit 中获取整个标签集（参见下面的代码），而不是批处理，因此这意味着它转储了 (10,4,4) 标签集，但正在尝试比较针对 (4,4) y_pred。不确定如何解决此问题。代码如下。最终，我需要能够计算保真度 - 实际上最终是不忠 - 以这种方式用于任意批量大小（我将 model.fit 中的 batchsize 设置为 1 只是为了让它工作）。建议表示赞赏。

def fidelity2(y_true, y_pred):
    y_truetp = tf.transpose(y_true)
    t1 = (y_truetp @ y_pred)
    tr = tf.trace(t1)
    mxdim = tf.cast(tf.shape(y_pred)[0], tf.float32)
    fidelity = (tf.abs((tr)** 2) / mxdim ** 2)
    return fidelity    



x = layers.Input(shape=(data.realdim,data.realdim), name='input1', batch_size=None)
x1 = layers.GRU(data.Uj_dim, return_sequences=True)(x)
x1 = layers.Dropout(rate=0.2)(x1)
x1 = layers.GRU(data.Uj_dim, return_sequences=True)(x1)
x1 = layers.Dropout(rate=0.2)(x1)
x1 = layers.GRU(data.Uj_dim, return_sequences=True)(x1)
x1 = layers.Flatten()(x1)
y = layers.Dense(160, activation='relu', name='output_data')(x1)
xreshape = layers.Reshape((4,4))(x)
y2 = productlayer(trainable = True, name="fidout")(x1)
model = tf.keras.models.Model(inputs=x, outputs=[y,y2])



batchsz = 1
#===============
model.compile(optimizer='adam', loss=['mse',fidelity2], metrics=['mse',fidelity2])
model.summary()

model.fit(data.lab, [inputreshape,data.lab], epochs=2, batch_size=batchsz, validation_split = 0, shuffle=False, steps_per_epoch=1)

#==============```

Model: "model_13"
__________________________________________________________________________________________________
Layer (type)                    Output Shape         Param #     Connected to                     
==================================================================================================
input1 (InputLayer)             [(None, 4, 4)]       0                                            
__________________________________________________________________________________________________
gru_39 (GRU)                    (None, 4, 40)        5400        input1[0][0]                     
__________________________________________________________________________________________________
dropout_26 (Dropout)            (None, 4, 40)        0           gru_39[0][0]                     
__________________________________________________________________________________________________
gru_40 (GRU)                    (None, 4, 40)        9720        dropout_26[0][0]                 
__________________________________________________________________________________________________
dropout_27 (Dropout)            (None, 4, 40)        0           gru_40[0][0]                     
__________________________________________________________________________________________________
gru_41 (GRU)                    (None, 4, 40)        9720        dropout_27[0][0]                 
__________________________________________________________________________________________________
flatten_13 (Flatten)            (None, 160)          0           gru_41[0][0]                     
__________________________________________________________________________________________________
output_data (Dense)             (None, 160)          25760       flatten_13[0][0]                 
__________________________________________________________________________________________________
fidout (productlayer)           (4, 4)               0           flatten_13[0][0]                 
==================================================================================================
Total params: 50,600
Trainable params: 50,600
Non-trainable params: 0
__________________________________________________________________________________________________
Epoch 1/2
---------------------------------------------------------------------------
InvalidArgumentError...InvalidArgumentError: In[0] is not a matrix. Instead it has shape [10,4,4]
     [[{{node loss_7/fidout_loss/ArithmeticOptimizer/FoldTransposeIntoMatMul_matmul}}]]

标签： pythontensorflow