时间戳

首页 > 解决方案 > Keras 中（有些）重叠子模型的多个损失函数

tensorflow - Keras 中（有些）重叠子模型的多个损失函数

问题描述

我在 Keras 有一个模型，我想在其中使用两个损失函数。该模型由一个自动编码器和一个分类器组成。我想有一个损失函数来确保自动编码器相当好（例如，它可以是 mse）和另一个评估分类器的损失函数（例如，categorical_crossentropy）。我想拟合我的模型并使用一个损失函数，它是两个损失函数的线性组合。

# loss functions
def ae_mse_loss(x_true, x_pred):
    ae_loss = K.mean(K.square(x_true - x_pred), axis=1)
    return ae_loss

def clf_loss(y_true, y_pred):
    return K.sum(K.categorical_crossentropy(y_true, y_pred), axis=-1)

def combined_loss(y_true, y_pred):
    ???
    return ae_loss + w1*clf_loss

其中 w1 是在最终组合损失中定义“clf_loss 的重要性”的某个权重。


# autoencoder
ae_in_layer = Input(shape=in_dim, name='ae_in_layer')
ae_interm_layer1 = Dense(interm_dim, activation='relu', name='ae_interm_layer1')(ae_in_layer)
ae_mid_layer = Dense(latent_dim, activation='relu', name='ae_mid_layer')(ae_interm_layer1)
ae_interm_layer2 = Dense(interm_dim, activation='relu', name='ae_interm_layer2')(ae_mid_layer)
ae_out_layer = Dense(in_dim, activation='linear', name='ae_out_layer')(ae_interm_layer2)

ae_model=Model(ae_input_layer, ae_out_layer)
ae_model.compile(optimizer='adam', loss = ae_mse_loss)

# classifier
clf_in_layer = Dense(interm_dim, activation='sigmoid', name='clf_in_layer')(ae_out_layer)
clf_out_layer = Dense(3, activation='softmax', name='clf_out_layer')(clf_in_layer)

clf_model = Model(clf_in_layer, clf_out_layer)
clf_model.compile(optimizer='adam', loss = combined_loss, metrics = [ae_mse_loss, clf_loss])

我不确定的是如何区分两个损失函数中的 y_true 和 y_pred（因为它们指的是模型中不同阶段的真实数据和预测数据）。我想到的是这样的（我不确定如何实现它，因为显然我只需要传递一组参数 y_true 和 y_pred）：

def combined_loss(y_true, y_pred):
    ae_loss = ae_mse_loss(x_true_ae, x_pred_ae)
    clf_loss = clf_loss(y_true_clf, y_pred_clf)
    return ae_loss + w1*clf_loss

我可以将这个问题定义为两个单独的模型并分别训练每个模型，但如果可能的话，我真的更喜欢一次完成所有这些（因为它会同时优化这两个问题）。我意识到，这个模型没有多大意义，但它展示了我试图以一种简单的方式解决的（更复杂的）问题。

任何建议，将不胜感激。

标签： tensorflowmachine-learningkerasdeep-learningloss-function

解决方案

您所需要的只是在原生 keras 中可用

loss_weights您可以使用参数自动组合多个损失

在下面的示例中，我尝试重现您的示例，其中我将mse回归任务的损失和categorical_crossentropy分类任务的损失相结合

in_dim = 10
interm_dim = 64
latent_dim = 32
n_class = 3
n_sample = 100

X = np.random.uniform(0,1, (n_sample,in_dim))
y = tf.keras.utils.to_categorical(np.random.randint(0,n_class, n_sample))

# autoencoder
ae_in_layer = Input(shape=in_dim, name='ae_in_layer')
ae_interm_layer1 = Dense(interm_dim, activation='relu', name='ae_interm_layer1')(ae_in_layer)
ae_mid_layer = Dense(latent_dim, activation='relu', name='ae_mid_layer')(ae_interm_layer1)
ae_interm_layer2 = Dense(interm_dim, activation='relu', name='ae_interm_layer2')(ae_mid_layer)
ae_out_layer = Dense(in_dim, activation='linear', name='ae_out_layer')(ae_interm_layer2)

# classifier
clf_in_layer = Dense(interm_dim, activation='sigmoid', name='clf_in_layer')(ae_out_layer)
clf_out_layer = Dense(n_class, activation='softmax', name='clf_out_layer')(clf_in_layer)

model = Model(ae_in_layer, [ae_out_layer,clf_out_layer])
model.compile(optimizer='adam', 
              loss = {'ae_out_layer':'mse', 'clf_out_layer':'categorical_crossentropy'},
              loss_weights = {'ae_out_layer':1., 'clf_out_layer':0.5})

model.fit(X, [X,y], epochs=10)

在这种特定情况下loss，1*ae_out_layer_loss + 0.5*clf_out_layer_loss

推荐阅读