Question

准确地说，我所寻找的损失函数是当绝对误差小于0.5时的平方误差，并且当绝对误差大于0.5时它是绝对误差本身。这样，误差函数的梯度不超过1，因为一旦平方误差函数的梯度达到1，绝对误差函数就会启动，并且梯度保持恒定为1.我已经包含了我目前的实施如下。出于某种原因，它给我的性能比仅仅平方误差更差。

fn_choice_maker1 = (tf.to_int32(tf.sign(y - y_ + 0.5)) + 1)/2
fn_choice_maker2 = (tf.to_int32(tf.sign(y_ - y + 0.5)) + 1)/2
choice_maker_sqr = tf.to_float(tf.mul(fn_choice_maker1,   fn_choice_maker2))

sqr_contrib = tf.mul(choice_maker_sqr, tf.square(y - y_))
abs_contrib = tf.abs(y - y_)-0.25 - tf.mul(choice_maker_sqr, tf.abs(y - y_)-0.25)
loss = tf.reduce_mean(sqr_contrib + abs_contrib)
train_step = tf.train.AdamOptimizer(1e-4).minimize(loss)

choice_maker_sqr是一个列张量，只要误差介于0.5和-0.5之间就是一个。这些名字非常自我解释。

Answer 1

这是我在python tensorflow中的Huber loss function的实现：

def huber_loss(y_true, y_pred, max_grad=1.):
    """Calculates the huber loss.

    Parameters
    ----------
    y_true: np.array, tf.Tensor
      Target value.
    y_pred: np.array, tf.Tensor
      Predicted value.
    max_grad: float, optional
      Positive floating point value. Represents the maximum possible
      gradient magnitude.

    Returns
    -------
    tf.Tensor
      The huber loss.
    """
    err = tf.abs(y_true - y_pred, name='abs')
    mg = tf.constant(max_grad, name='max_grad')
    lin = mg*(err-.5*mg)
    quad=.5*err*err
    return tf.where(err < mg, quad, lin)

Answer 2

您可以使用tf.select在一次通话中实现它：

err = y - y_
huber_loss = tf.select(tf.abs(err) < 1.0,   
                       0.5 * tf.square(err), 
                       tf.abs(err) - 0.5) # if, then, else

Answer 3

err = tf.subtract(x,y)
huber_loss = tf.where(tf.less(x,y),   
                       tf.sqrt(tf.square(err)), 
                       tf.abs(err))
with tf.Session() as sess:
    print(sess.run(tf.reduce_mean(huber_loss)))

Answer 4

不确定这是否仍然相关，但我想向未来寻求此事的人指出。张量流研究损失脚本实现了Huber对象检测的丢失（就像它在FasterRCNN论文中实现的那样）

这是link to the method

如何组合tf.absolute和tf.square在Tensorflow中创建Huber损失函数？

4 个答案: