Question

我的代码是这样的：

labels = Input(name='the_labels', shape=[1], dtype='float32')
input_length = Input(name='input_length', shape=[1], dtype='int64')
label_length = Input(name='label_length', shape=[1], dtype='int64')

loss_out = Lambda(ctc_lambda_func, output_shape=(1,), name="ctc")([output, labels, input_length, label_length])

model = Model(input=[net_input, labels, input_length, label_length],  output=[loss_out])
model.compile(loss={'ctc': lambda y_true, y_pred: y_pred},  optimizer=optimizer, metrics=[])

我的ctc_lambda_func定义如下：

def ctc_lambda_func(args):
  y_pred, labels, input_length, label_length = args
  # the 2 is critical here since the first couple outputs of the RNN
  # tend to be garbage:
  shift = 2
  y_pred = y_pred[:, shift:, :]
  input_length -= shift
 return K.ctc_batch_cost(labels, y_pred, input_length, label_length)

我无法理解：

loss_out = Lambda（ctc_lambda_func，output_shape =（1，）， name =“ctc”）（[output，labels，input_length，label_length]）

有人说Lambda是一个图层，但我该如何使用这个图层？

(ctc_lambda_func, output_shape=(1,), name="ctc")是函数“Lambda”的参数 - 但参数([output, labels, input_length, label_length])是什么？

loss={'ctc': lambda y_true, y_pred: y_pred}是损失函数。我发现丢失函数列表如下，但没有ctc。
- mean_squared_error（y_true，y_pred）mean_absolute_error（y_true， y_pred）
- mean_absolute_percentage_error（y_true，y_pred）
- mean_squared_logarithmic_error（y_true，y_pred）
- squared_hinge（y_true，y_pred）
- 铰链（y_true，y_pred）
- categorical_hinge（y_true，y_pred）
- logcosh（y_true，y_pred）
- categorical_crossentropy（y_true，y_pred）
- sparse_categorical_crossentropy（y_true，y_pred）
- binary_crossentropy（y_true，y_pred）
- kullback_leibler_divergence（y_true，y_pred）
- poisson（y_true，y_pred） -cosine_proximity（y_true，y_pred）

我是Keras和Python的新手。如果你能给我一些解释，我非常感激。

Answer 1

这不是Keras库的正确用法。该代码似乎绕过了API shortcoming。

Lambda图层通常用于实现自定义函数，作为Keras中计算图的一部分。 ([output, labels, input_length, label_length])是传递给自定义函数的张量，在此函数中。这个复杂解决方案背后的原因是API不仅允许(output, labels)签名用于丢失函数。
现在实现了损失函数，代码的第二部分通过返回预测张量y_pred来绕过Keras内置损失函数。 loss={'ctc':...层的'ctc'被绕过损失，即Lambda。

您可以实现自定义丢失功能，但这不是API的预期用途。对于具有多个参数的丢失解决方案，请查看此question。

使用Keras进行深度学习：如何理解Lambda图层和lambda函数？

1 个答案: