Question

我想实现以下自定义损失函数，并将参数x作为最后一层的输出。到目前为止，我将此功能实现为Lambda层，再加上keras mae丢失，但我不再想要了

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)

代码实际上可以运行，但是实际上并没有使用tmp作为损失的输入（我将其乘以某个数字，但是损失保持不变）

我在做什么错了？

Answer 1

您是否想对预测应用GMM_UNC2函数还是不清楚，或者仅应用一次来建立损失。如果是第一种选择，那么所有这些代码都应该放在损失中，然后像{p>

y_pred

如果是第二个选项，通常，将对象作为默认值传递给Python函数定义不是一个好主意，因为可以在函数定义中对其进行更改。另外，您假设损失的第二个参数的名称为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，但是当被调用时，它不带名称就作为位置参数。总之，您可以尝试在损失内部使用显式比较，例如

y_pred

如果您喜欢忽略预测，并强行使用def loss(y_true, y_pred): if y_pred is None: y_pred = tmp return k.abs(y_true - y_pred)，则可以忽略损失的tmp参数，而仅使用y_pred，就像

tmp

Keras自定义损失功能

1 个答案: