时间戳

首页 > 解决方案 > Keras 自定义损失函数

tensorflow - Keras 自定义损失函数

问题描述

我想实现以下自定义损失函数，参数x作为最后一层的输出。到目前为止，我将这个功能实现为Lambda层，再加上 kerasmae损失，但我不再想要那个了

def GMM_UNC2(self, x):
    tmp = self.create_mr(x) # get mr series
    mr  = k.sum(tmp, axis=1) # sum over time
    tmp = k.square((1/self.T_i) * mr)
    tmp = k.dot(tmp, k.transpose(self.T_i))
    tmp = (1/(self.T * self.N)) * tmp

    f   = self.create_factor(x) # get factor
    std = k.std(f)
    mu  = k.mean(f)
    tmp = tmp + std/mu 

    def loss(y_true, y_pred=tmp):
        return k.abs(y_true-y_pred)

    return loss

self.y_true = np.zeros((1,1))
self.sdf_net = Model(inputs=[self.in_ma, self.in_mi, self.in_re, self.in_si], outputs=w)
self.sdf_net.compile(optimizer=self.optimizer, loss=self.GMM_UNC2(w))
self.sdf_net.fit([self.macro, self.micro, self.R, self.R_sign], self.y_true, epochs=epochs, verbose=1)

代码实际运行，但实际上并没有tmp用作损失的输入（我将它乘以某个数字，但损失保持不变）

我究竟做错了什么？

标签： tensorflowkerasneural-networkloss-function

解决方案

如果您想将GMM_UNC2函数应用于预测，或者仅应用一次来构建损失，您的问题并不完全清楚。如果它是第一个选项，那么所有代码​​都应该在损失内并应用它y_pred，比如

def GMM_UNC2(self):

    def loss(y_true, y_pred):
        tmp = self.create_mr(y_pred) # get mr series
        mr  = k.sum(tmp, axis=1) # sum over time
        tmp = k.square((1/self.T_i) * mr)
        tmp = k.dot(tmp, k.transpose(self.T_i))
        tmp = (1/(self.T * self.N)) * tmp
        f   = self.create_factor(x) # get factor
        std = k.std(f)
        mu  = k.mean(f)
        tmp = tmp + std/mu 
        return k.abs(y_true-y_pred)

    return loss

如果是第二种选择，一般来说，在 Python 函数定义中将对象作为默认值传递并不是一个好主意，因为它可以在函数定义中更改。此外，您假设 loss 的第二个参数有一个 name y_pred，但是当被调用时，它是在没有 name 的情况下完成的，作为一个位置参数。总之，您可以尝试在损失内使用显式比较，例如

    def loss(y_true, y_pred):
        if y_pred is None:
            y_pred = tmp
        return k.abs(y_true - y_pred)

如果您喜欢忽略预测并强行使用tmp，那么您可以忽略y_pred损失的论点而仅使用tmp，例如

    def loss(y_true, _):
        return k.abs(y_true - tmp)

推荐阅读