时间戳

首页 > 解决方案 > 损失函数中的正则化项进行数学运算和赋值

python - 损失函数中的正则化项进行数学运算和赋值

问题描述

我想我仍然在努力理解 Tensorflows 框架以及如何以与普通数组和 numpy 一样的方式操作它。

对于损失，我有预测和真实值：y_pred 和 y_true，我想迭代 y_pred 值并为其分配值 1 或 0，根据一些更小、< 或更大、> 条件的损失函数.

Batch 大小为 1000，因此输入形状为 (1000,16,16,1)。我认为代码将阐明我想要做什么，我试图尽可能地简化它。

def regularization_term(y_true, y_pred):    
    test = y_pred

    for i in tf.range(len(y_pred)):
        for y in tf.range(len(y_pred[i])):
            for x in tf.range(len(y_pred[i][y])): 
                if(random.random()>y_pred[i][y][x][0]):
                    test[i][y][x][0] = 0
                else:
                    test[i][y][x][0] = 1

    return test * y_true

所以我需要一种方法来为张量“测试”分配一个值，以及一种从 y_pred 中询问这个更大/更小的 if 条件的方法。这怎么可能？

非常感谢你！！

标签： pythontensorflowkerasneural-networkloss-function

解决方案

你可以简单地使用tf.keras.backend.switch

根据您的报告，您的regularization功能是：

def regularization(y_true, y_pred):
    
    zeros = tf.zeros_like(y_pred)
    random = tf.random.uniform(tf.shape(y_pred), minval=0, maxval=1)

    reg = tf.keras.backend.switch(random > y_pred, zeros, y_true)
    
    return reg

简单测试：

y_true = tf.random.uniform(shape=(100,16,16,1), minval=0, maxval=1)
y_pred = tf.random.uniform(shape=(100,16,16,1), minval=0, maxval=1)

regularization(y_true, y_pred)

推荐阅读