时间戳

首页 > 解决方案 > tensorflow / keras中批量大小的自定义损失w权重数组

python - tensorflow / keras中批量大小的自定义损失w权重数组

问题描述

我正在创建一个自定义损失函数，它是一个 MAE( y_true , y_pred )，由两个数组a和b加权，其中所有四个数组的大小相同（10000 个样本/时间步长）。

def custom_loss(y_true, y_pred, a, b):
        mae = K.abs(y_true - y_pred)
        loss = mae * a * b
        return loss

问题：如何将a和b输入到函数中？两者都应该像 y_true 和 y_pred 一样被拆分和洗牌。

到目前为止，我正在使用一个 LSTM 训练的数据 X 形状（样本 x 时间步长 x 变量）。在这里，我尝试了 tf 的add_loss函数来完成这项工作，当将a和b作为进一步的输入层传递时，由于数据形状不同而导致错误。

#LSTM
input_layer = Input(shape=input_shape)
in = LSTM(20, activation='relu', return_sequences=True)(input_layer)
out = LSTM(1, activation='linear', return_sequences=False)(in)

layer_a = Input(shape=(10000))
layer_b = Input(shape=(10000))

model = Model(inputs = [input_layer, layer_a, layer_b], outputs = out)  
model.add_loss(custom_loss(input_layer, out, layer_a, layer_b))
model.compile(loss=None, optimizer=Adam(0.01))

# X=data of shape 20 variables x 10000 timesteps, y, a, b = data of shape 10000 timesteps
model.fit(x=[X, a, b], y=y, batch_size=1, shuffle=True)

我该如何正确地做到这一点？

标签： pythontensorflowkerasloss

解决方案

如果您只需要计算损失函数，那么我会在您的自定义损失函数周围编写一个包装器，并传递一个元组a作为您的标签。b(y,a,b)

像这样的东西：

n_sample = 100
timesteps = 30
features = 5

X = np.random.uniform(0,1, (n_sample,timesteps,features))
y = np.random.uniform(0,1, n_sample)
a = np.random.uniform(0,1, n_sample)
b = np.random.uniform(0,1, n_sample)

def custom_loss_wrapper(y_true, y_pred):
    def custom_loss(y_true, y_pred, a, b):
        mae = K.abs(y_true - y_pred)
        loss = mae * a * b
        return loss
    return custom_loss(y_true[0], y_pred, y_true[1], y_true[2])


input_layer = Input(shape=(timesteps, features))
x = LSTM(20, activation='relu', return_sequences=True)(input_layer)
out = LSTM(1, activation='linear')(x)

model = Model(inputs =input_layer, outputs = out)  
model.compile(loss=custom_loss_wrapper, optimizer=Adam(0.01))

model.fit(x=X, y=(y,a,b), shuffle=True, epochs=3)

它简化了网络架构并消除了不必要layer_a的layer_b推理时间。

推荐阅读